浙大疏锦行CNN 有很多卷积核输出很多通道特征图有的通道很重要比如边缘、纹理有的通道没用通道注意力就是自动给每个通道算一个权重重要的通道权重变大不重要的变小SE 通道注意力Squeeze-and-Excitation是最常用、最简单、效果最好的通道注意力。结构只有 3 步Squeeze压缩对每个通道做全局平均池化 → 得到 1×1×CExcitation激励两层全连接 Sigmoid → 得到每个通道的权重Scale缩放权重 × 原特征 → 强化重要通道import torch import torch.nn as nn import torch.nn.functional as F # 通道注意力SE Block class SEBlock(nn.Module): def __init__(self, in_channels, reduction16): super(SEBlock, self).__init__() # 1. 全局平均池化 → (B, C, 1, 1) self.avg_pool nn.AdaptiveAvgPool2d(1) # 2. 两层全连接学习通道权重 self.fc nn.Sequential( nn.Linear(in_channels, in_channels // reduction), nn.ReLU(inplaceTrue), nn.Linear(in_channels // reduction, in_channels), nn.Sigmoid() ) def forward(self, x): batch, C, H, W x.size() # Squeeze out self.avg_pool).view(batch, C) # Excitation weight self.fc(out).view(batch, C, 1, 1) # 原特征 × 权重 return x * weight通道注意力的好处几乎不增加计算量即插即用所有 CNN 都能加分类、检测、分割全都能涨点配合ResNet、MobileNet、自己的小 CNN 都极强