SENET（Squeeze-and-Excitation Networks）是由微软研究院提出的一种改进深度学习模型性能的网络结构，其核心思想是通过通道注意力机制增强模型对关键特征的感知能力。以下是其核心要点：
📘 1. 核心思想
- Squeeze：通过全局平均池化（Global Average Pooling）压缩通道维度，获取每个通道的全局信息
- Excitation：使用多层感知机（MLP）学习通道间的依赖关系，生成通道权重
- 重校准：将权重应用于原始特征图，实现对重要通道的动态加权
📊 2. 技术优势
- 提升特征表达能力（📈 1-2% mAP提升）
- 支持任意卷积架构的模块化接入（📦 可扩展性强）
- 计算成本低（🧠 仅需额外2%的参数量）
📁 3. 应用场景
- 图像分类（🖼️ 如ResNet-50集成SE模块）
- 目标检测（🔍 与Faster R-CNN结合）
- 语义分割（🧩 改善特征图细节表现）
如需深入了解通道注意力机制的进阶应用，可参考：/[articles/attention_mechanism]