论文简要：
SKNet 通过 SK 卷积（Selective Kernel Convolution），实现了动态重组特征，自适应地选择和融合不同尺度的特征信息，从而提高模型的性能和泛化能力，从而在图像分类任务上取得了优秀的性能。
本文方法：
SKNet 主要分为分割（Split）、融合（Fuse）和选择（Select）三个部分。通过上述步骤实现了动态重组特征，自适应地选择和融合不同尺度的特征信息，从而提高模型的性能和泛化能力。设输入特征图为 ，其中 、、 分别表示高度、宽度和通道数。
1、Split（分割）：SKNet 首先对输入的特征图 进行两次 transformations，其中一次卷积核为 ，另一次卷积核为 ，从而分别得到两个对应的输出特征图 和 ，如下所示：
需要注意的是， 和 都是由高效的分组/深度卷积（grouped/depthwise convolutions）、批量归一化（Batch Normalization）和 ReLU 激活函数按顺序组成。为了进一步提高效率，传统的 卷积核被卷积核大小为 、dilation=2 的空洞卷积（dilated convolution）所取代。
2、Fuse（融合）：为了实现自适应调整感受野大小，一个直接的想法是用门控来控制多分支的信息流，所以在调整之前，应该先将多分支信息整合，即：
然后，我们通过使用全局平均池化来嵌入全局信息（低维嵌入），生成通道维度上的统计信息 ：
紧接着，为了实现精确和自适应的选择，创建了一个紧凑的特征 ，通过一个简单的全连接层实现维度的降低以提高效率：
其中， 表示 ReLU 函数， 表示批归一化，。为了研究d对模型效率的影响，使用 r 来控制其值：
其中，L表示 d 的最小值（在本文的实验中，L=32是一个典型的设置）。
3、Select（选择）：使用跨通道的软注意力来自适应地选择不同的空间尺度信息，该注意力由对于所得到的紧凑的特征 引导。对通道上的权重进行 softmax 计算：
其中 ，， 分别表示 和 的软注意力向量， 代表第 C 行， 是 a 的第 C 个元素。最后，将 softmax 计算得到的软注意力向量/权重与 Split（分割）所得两个对应的输出特征图 和 进行加权，并相加得到最终输出特征图 ：
其中 ，。