SENet y algunos conocimientos sobre redes ligeras

Reimpreso de: N y otras redes utilizadas para implementar la detección de objetivos también pueden lograr buenos resultados agregando bloques SENet como refuerzo, lo que demuestra aún más la versatilidad de la red SENet.

A continuación, el autor pensó en la última pregunta, si la diferencia en la posición del bloque SE agregado en el bloque original afectaría los resultados experimentales. Para ello, el autor realizó un experimento comparativo.

Como se muestra en la Figura 6, es la red residual original y cuatro estructuras de red diferentes en las que el autor agregó bloques SE en cuatro posiciones diferentes, totalizando cinco estructuras de red diferentes.

Figura 6

Tabla 3

La Tabla 3 es una comparación de las tasas de error de cuatro estructuras SENet diferentes. Podemos ver que la estructura SE-PRE es. Entre ellos, el rendimiento relativo es el mejor, lo que muestra que la ubicación del bloque SE de hecho afectará el efecto general de la red neuronal, por lo que cuando usamos SENet, debemos considerar cuidadosamente su ubicación agregada.

Este artículo propone una unidad arquitectónica llamada bloque SE para mejorar las capacidades de representación de la red al permitir que la red realice una recalibración dinámica de las características del canal. Los experimentos demuestran la eficacia de las SENet, que logran un rendimiento de vanguardia en múltiples conjuntos de datos y tareas. Además, el bloque SE revela que las arquitecturas anteriores no pueden modelar adecuadamente las correlaciones de canales. Y los valores de importancia de características generados por el bloque SE se pueden utilizar para otras tareas, como la poda de red para la compresión del modelo.