SENet系列之SKNet
一顿火锅，足以忘却暂时的不愉快。
闲谈
现在感觉每天都有新的东西需要学习，今天学习这个，明天学习那个。我觉得这样非常不好，学习什么都是在表面游走，不会有一个好的成果。具体怎么解决这个问题，我还不是很清楚，有建议的小伙伴欢迎留言交流啊。
前言
SENet:
Paper: https://arxiv.org/abs/1709.01507
Code: https://github.com/hujie-frank/SENet
SKNet:
Paper: https://arxiv.org/abs/1903.06586?context=cs
Code: https://github.com/implus/SKNet
SENet系列文章
- SENet
- cSENet（本质相同，升降维度的超参数 r 取值为2或16），sSENet（空间角度引入注意力机制），csSENet（通道和空间两个角度同时引入注意力机制）
- SKNet
sSENet空间角度引入注意力机制，这个SSE模块在今年十月份的论文"Non-deep Networks"用到，用12层的网络在ImageNet上到达了80%（提出一个非深度网络设计的SSE模块构建了一种新型的模块RepVGG-SSE），在CIFAR10到达了96%，CIFAR100到达了81%。
SENet
SENet（Squeeze-and-Excitation Networks）是2017ImageNet分类比赛冠军模型。
SENet的思想就是使用全局信息来增强有用的信息，同时抑制无用的信息，也就是对不同的通道进行不同的加权方法，这样有用的特征被放大，没用的就会被抑制。下面这个图就是Squeeze and Excitation Modual的主要框架。上一层输出的feature map X，它的维度是H’，W’，C’分别代表了长，宽和通道数，然后经过一个传统的卷积，会得到U，它的维度是H，W，C。下面就要进行一个SE结构。在正常的过程中加入一个旁路分枝，然后进行Squeeze操作，对U进行全局池化，压缩成一个标量。然后再进行Excitation操作，这个输出和最开始的U进行乘法，最后就得到了一个被重新加权后的feature map。
SENet与Inception和ResNet进行整合
SE block与其他架构进行整合，第一张是与Inception整合，第二张是与ResNet整合。一个是正常的Inception Modual，另一个是加入了SE block。第二个有了H✖️W✖️C的feature map，然后进行Squeeze，全局平均池化（论文里有实验），把H✖️W✖️C变为1✖️1✖️C，然后通过FC（全连接）降维，用r分之1来降低计算量，通过实验r=16效果最好。再经过ReLU，再经过FC升维，最后通过sigmoid，每个通道得到一个0到1的一个概率，就可以和原来的feature map进行一个乘法，最后输出加权后的feature map。这个ResNet与SE block 整合。和Inception整合的没有太大的区别，就是多了残差连接，SE的操作用在残差上。
SKNet
Selective Kernel Network”简称SKNet，它和SENet都是一个团队提出来的。
SKNet的思想就是利用非线性的方法整合信息，以实现动态调整感受野的大小，就是根据实际内容，找出一个最适合的感受野去适应图片。它的核心方法是Split-Fuse-Select这三个步骤。
Split-Fuse-Select
- Split: 分出多个支流，每个支流都有不同大小的filter/kernel，以此来实现不同大小的感受野;
- Fuse: 整合支流的信息，然后获得selection weights;
- Select: 通过selection weights来聚合feature map
这是论文给出的架构，非常直接明了。
首先是X分出来两个支流，分别是U1，U2，然后对U1，U2进行整合得到U，然后对U进行全局平均池化得到S，在对S进行FC运算得到Z,然后在分出来两个小的分支a和b，然后再对这两个小的分支之间进行softmax，然后计算一下，就是上面的计算，得到一黄一绿的矩阵，然后再用一个加法运算的合并。
如何通过图片大小去调节感受野的大小呢？
首先是Split的这个过程，分出来的两个支流，它们的感受野是不同的，如果图片比较大的话，就会选择感受野较大的支流，小的话，就会选择感受野小的支流，还有就是Select操作的整合，一部分来自上面，一部分来自下面，他们的比例是动态选择的。
这里是SKNet的完整架构。M代表的是分支数，G为group数量。这是三个网络结构图。可以看到SENet是在(1×1卷积+3×3卷积+1×1卷积)完整卷积操作后直接加入全连接层。而SKNet则是替代了ResNext中3*3卷积部分。从参数量来看，由于模块嵌入位置不同，SKNet的参数量与SENet大致相同。计算量也略有所上升。
上表是与其他网络的横向对比，可以看出SKNet与其他常见模型，包括SENet。可以看到SKNet取得了最好的结果。
分析了D和G对模型的影响，可以看出最好的情况时3乘3，D=2，G=32和5乘5，D=1，G=64这两种情况。
然后是不同组合对模型的影响，论文得出提升分支数(M)，错误率总体减少，使用SK比不使用SK更好，在使用SK后，提升分支数对于模型精度的提升变得微小。
然后还分析了attention weights，就是从Z分出来的两个小支流，论文得出当物体的大小增加时，attention weights在5✖️5路径总体也增加，也就意味着感受野增加。
上图是attention weights平均值的差值。
论文得出在早期的layer里，物体变大，更大的attention 增加。在后期的layer里，这个规律就不存在了，也就意味着后期的layer的SK可以替换成其他的单元。
总结
- SENet提出了Sequeeze and Excitation block，而SKNet提出了Selective Kernel Convolution.
- SENet和SKNet都是可直接嵌入网络的轻量级模块，比如ResNet、Inception、ShuffleNet，实现精度的提升。
