スクイーズ-と興奮ネットワーク
簡単な紹介
セネト機能優れた入力機能を表すために、分岐構造の効果を研究することによって、より良い表現の構造を示しています。分岐構造は、チャネルとオリジナルの特徴マップまで演技の間の関連性を評価する方法を学習するために使用され、キャリブレーション入力に実現。ニューラルネットワークの枝を支援するために学ぶことは、より適切な表現です。ネットワーク情報の全体的なグローバルプールを捕捉するために使用されるグローバル情報構造によって関連付けチャネルを測定し、2つの完全に接続された層を接続するために、入力は、すなわち、アップに印加される入力の再アライメント完了し、ネットワークがより良く学習することができ図。
SQUEEZE-AND-励起BLOCKS
ブロックの構造は次のよう：
Fexの励起過程が重み付け効果への入力にf-スケールを検討することによって、その後でプロセスは、ある上方FSQ図を絞ります。
スクイーズ：グローバル情報の埋め込み
グローバル情報埋め込み処理のプロセスをスクイーズプロセスは、実際にグローバルな機能を統合するグローバルプールを使用して特徴マップのスクイズであるので、と呼ばれています。
励起：適応再校正
プロセスの励起は、すなわちチャネルスコア学習、各チャンネルごとに得点を達成するために、オリジナルの入力までの演技、重量でこのブランチに学習のプロセスので、再キャリブレーションプロセスと呼ばれ、それがリニアに学ばなければなりませんその結果、著者はスコアマップを達成するための励起構造FC-relu-FC-シグモイドを使用しそう。
著者によると、たとえば、あなたは明らかにインセプションケースに絞ると励起過程を見ることができます：
手順は、チャネル特性を乗じた入力に対応するチャンネルのそれぞれに対応する重みを乗算対応f-スケールです。
本論文では、よりよく理解されています。