论文简要：
SENet（Squeeze-and-Excitation Networks）是由胡杰等人在2017年提出的一种卷积神经网络模型，并在2017年的ImageNet挑战赛上获得冠军。
SENet 的核心关键在于它所提出的 SE 模块（Squeeze-and-Excitation Module）可以自适应地学习每个通道的重要性，使网络更加关注重要的特征，在不增加网络参数和计算复杂度的情况下提高分类准确率。
本文方法：
SE 模块（Squeeze-and-Excitation Module）自适应地学习每个通道的重要性，使网络更加关注重要的特征。SE模块由四个步骤组成：Transformation、Squeeze、Excitation和Scale。
首先，Transformation 通过简单的卷积操作对输入的特征图进行变换。设输入特征图为 ，其中 、、 分别表示高度、宽度和通道数，通过变换得到特征图为 ，以便后续操作。
接下来，挤压（Squeeze）操作通过全局平均池化（GAP）操作来计算 每个通道的特征图的全局平均值，将输入特征图的空间维度压缩为一个特征向量，得到一个全局描述向量 。全局描述向量代表了每个通道的全局统计信息，计算公式如下：
然后，激励（Excitation）操作通过两个全连接层来学习通道之间的关系，并生成一个通道权重向量，这个通道权重向量表示了每个通道的重要性。
在这个过程中，先将全局描述向量 经过一层全连接层降维到一个较小的维度（），并经过 Relu 激活函数得到中间层。这里涉及到了一个超参数 r，它会直接 SE 模块影响参数的数量。据作者证实，在 r = 16 的情况下效果最优。然后，还需要再经过一层全连接层，将其升维回原始维度，并在最后使用 Sigmoid 激活函数将输出映射到0到1的范围内，得到通道权重向量 。
最后，Scale 是将输入特征图 与通道权重向量 进行相乘操作，即将权重施加在每一个通道上，得到加权后的特征图。模型在学习过程中就可以自适应地调整每个通道的重要性，从而提升模型的表达能力。
其中 是加权后的特征图， 表示输入特征图 和输出特征图 中的每个位置， 表示通道。最后， 将被传入到下一层神经网络进行进一步处理。