摘要

本文使用ECA-Net注意力机制配合压缩膨胀的Block实现涨点。涨点方法是我自己独创的，改进方法简单易用，方便大家用于论文的改进。

论文：《ECA-Net：用于深度卷积神经网络的高效通道注意力》

arxiv.org/pdf/1910.03151.pdf

最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。然而，大多数现有方法致力于开发更复杂的注意模块以实现更好的性能，这不可避免地会增加模型的复杂性。 为了克服性能和复杂性折衷之间的矛盾，本文提出了一种有效的信道注意（ECA）模块，该模块仅包含少量参数，同时带来明显的性能提升。 通过剖析SENet中的通道注意模块，我们从经验上表明避免降维对于学习通道注意很重要，并且适当的跨通道交互可以在保持性能的同时显着降低模型的复杂性。因此，我们提出了一种无需降维的局部跨通道交互策略，该策略可以通过一维卷积有效地实现。 此外，我们提出了一种方法来自适应选择一维卷积的内核大小，确定局部跨通道交互的覆盖范围。提出的ECA模块既有效又有效，例如，针对ResNet50主干的模块参数和计算分别为80 vs. 24.37M和 4.7 e −