解读Squeeze-and-Excitation Networks（SENet）

Squeeze-and-Excitation Networks（SENet）是由自动驾驶公司Momenta在2017年公布的一种全新的图像识别结构，它通过对特征通道间的相关性进行建模，把重要的特征进行强化来提升准确率。这个结构是2017 ILSVR竞赛的冠军，top5的错误率达到了2.251%，比2016年的第一名还要低25%，可谓提升巨大。这么大的提升是怎么来的呢？今天就来介绍下这个冠军背后的原理细节。

一、结构和原理

解读Squeeze-and-Excitation Networks（SENet）_第1张图片

图1：SE Block

图1是SENet的Block单元，图中的F_tr是传统的卷积结构，X和U是F_tr的输入（C'xH'xW'）和输出（CxHxW），这些都是以往结构中已存在的。SENet增加的部分是U后的结构：对U先做一个Global Average Pooling（图中的F_sq(.)，作者称为Squeeze过程），输出的1x1xC数据再经过两级全连接（图中的F_ex(.)，作者称为Excitation过程），最后用sigmoid（论文中的self-gating mechanism）限制到[0，1]的范围，把这个值作为scale乘到U的C个通道上，作为下一级的输入数据。这种结构的原理是想通过控制scale的大小，把重要的特征增强，不重要的特征减弱，从而让提取的特征指向性更强。下面来看下SENet的一些细节：
先是Squeeze部分。GAP有很多算法，作者用了最简单的求平均的方法（公式1），将空间上所有点的信息都平均成了一个值。这么做是因为最终的scale是对整个通道作用的，这就得基于通道的整体信息来计算scale。另外作者要利用的是通道间的相关性，而不是空间分布中的相关性，用GAP屏蔽掉空间上的分布信息能让scale的计算更加准确。

公式1：Squeeze的计算

Excitation部分是用2个全连接来实现，第一个全连接把C个通道压缩成了C/r个通道来降低计算量（后面跟了RELU），第二个全连接再恢复回C个通道（后面跟了Sigmoid），r是指压缩的比例。作者尝试了r在各种取值下的性能，最后得出结论r=16时整体性能和计算量最平衡。
为什么要加全连接层呢？这是为了利用通道间的相关性来训练出真正的scale。一次mini-batch个样本的squeeze输出并不代表通道真实要调整的scale值，真实的scale要基于全部数据集来训练得出，而不是基于单个batch，所以后面要加个全连接层来进行训练。可以拿SE Block和下面3种错误的结构比较来进一步理解：
图2最上方的结构，squeeze的输出直接scale到输入上，没有了全连接层，某个通道的调整值完全基于单个通道GAP的结果，事实上只有GAP的分支是完全没有反向计算、没有训练的过程的，就无法基于全部数据集来训练得出通道增强、减弱的规律。
图2中间是经典的卷积结构，有人会说卷积训练出的权值就含有了scale的成分在里面，也利用了通道间的相关性，为啥还要多个SE Block？那是因为这种卷积有空间的成分在里面，为了排除空间上的干扰就得先用GAP压缩成一个点后再作卷积，压缩后因为没有了Height、Width的成分，这种卷积就是全连接了。
图2最下面的结构，SE模块和传统的卷积间采用并联而不是串联的方式，这时SE利用的是Ftr输入X的相关性来计算scale，X和U的相关性是不同的，把根据X的相关性计算出的scale应用到U上明显不合适。

解读Squeeze-and-Excitation Networks（SENet）_第2张图片

图2：三种错误的SE结构

图3是两个SENet实际应用的例子，左侧是SE-Inception的结构，即Inception模块和SENet组和在一起；右侧是SE-ResNet，ResNet和SENet的组合，这种结构scale放到了直连相加之前。

解读Squeeze-and-Excitation Networks（SENet）_第3张图片

图3：SE-Inception和SE-ResNet结构

二、测试

1、ImageNet测试

作者用ImageNet 2012数据集，比较了不同深度下、不同类型的SENet结构和非SENet结构的性能差异。图4是测试结果，可以看到在所有的结构上SENet要比非SENet的准确率更高，而计算复杂度上只是略有提升。图5是两种不同深度的SE-ResNet和ResNet的训练曲线图，图6是ResNeXt和SE-ResNeXt、Inception-ResNet-v2和SE-Inception-ResNet-v2的收敛曲线，各种结构、各种深度的测试都能看出SENet有很大优势。

解读Squeeze-and-Excitation Networks（SENet）_第4张图片

图4：不同深度、不同类型的SENet和非SENet的准确率、GFLOPs

解读Squeeze-and-Excitation Networks（SENet）_第5张图片

图5：不同深度的SE-ResNet和ResNet的训练曲线图

解读Squeeze-and-Excitation Networks（SENet）_第6张图片

图6：ResNeXt和SE-ResNeXt、Inception-ResNet-v2和SE-Inception-ResNet-v2的收敛曲线

2、场景分类测试

作者用Place365数据集进行了场景分类测试，比较的结构是ResNet-152和SE-ResNet-152，结果见图7，可以看出SENet在ImageNet以外的数据集上仍有优势。

解读Squeeze-and-Excitation Networks（SENet）_第7张图片

图7：Place365测试结果

三、更多分析

论文还详细分析了scale的分布特点。作者对训练好的结构用以下4个分类的图片做测试，每个分类50张图片，统计SE-ResNet-50在5个不同层级上，excitation输出的分布（图9）。图9中SE_2_3是按SE_stageID_blockID的方法取名的，纵坐标是每个分类50张图片scale的平均值。这个图中越往后的图的层级越靠后，all曲线是全部1000个分类的平均值，用来和4个分类的曲线作比较。

解读Squeeze-and-Excitation Networks（SENet）_第8张图片

图8：用这4个分类的图片来分析

可以看出靠前的层级（SE_2_3和SE_3_4）各个分类的曲线差异不大，这说明了在较低的层级中scale的分布和输入的类别无关；随着层级的加深，不同类别的曲线开始出现了差别（SE_4_6和SE_5_1），这说明靠后的层级的scale大小和输入的类别强相关；到了SE_5_2后几乎所有的scale都饱和，输出为1，只有一个通道为0；而最后一层SE_5_3的通道的scale基本相同。最后两层的scale因为基本都相等，就没有什么用处了，为了节省计算量可以把它们去掉。

解读Squeeze-and-Excitation Networks（SENet）_第9张图片

图9：不同层级的scale的分布

总结：SENet把重要通道的特征强化，非重要通道的特征弱化，得到了很好的效果，这是一种全新的思路，在这个方向上将来可能会有更多的成果。