Mạng ép và kích thích
Các khối Bóp và Kích thích (SE) cho phép mạng tích chập tìm hiểu mức độ quan trọng của mỗi kênh tính năng, hiệu chỉnh lại chúng dựa trên bối cảnh chung.
Tổng quan
Cơ chế giống như sự chú ý rẻ tiền này đã giành chiến thắng trong cuộc thi ImageNet năm 2017 và trở thành khối xây dựng tiêu chuẩn của CNN.
Lặn sâu
Được Hu, Shen và Sun giới thiệu vào năm 2017, khối SE bổ sung thêm sự chú ý rõ ràng của kênh cho CNN. Nó hoạt động theo hai bước. 'Squeeze' sử dụng tính năng tổng hợp trung bình toàn cầu để thu gọn từng bản đồ tính năng (chiều cao x chiều rộng) thành một số duy nhất, tạo ra một bộ mô tả cho mỗi kênh tóm tắt hoạt động kích hoạt toàn cầu của nó. 'Kích thích' cung cấp vectơ đó qua hai lớp nhỏ được kết nối đầy đủ với một nút cổ chai (ReLU sau đó là sigmoid) để tạo ra trọng số trên mỗi kênh trong khoảng từ 0 đến 1. Các trọng số đó nhân lên các bản đồ tính năng ban đầu, khuếch đại các kênh hữu ích và giảm bớt những kênh không liên quan. SENet đã giành chiến thắng trong thử thách phân loại ILSVRC 2017, giảm sai sót trong top 5 xuống còn khoảng 2,25%. Khối này chỉ thêm một vài phần trăm tham số và tính toán bổ sung, đồng thời đưa vào ResNet, Inception hoặc MobileNet với sự thay đổi tối thiểu.
Hiểu biết kỹ thuật
Việc nén tạo ra vectơ z có độ dài C trong đó z_c là trung bình không gian của kênh c. Kích thích tính toán s = sigmoid(W2 * ReLU(W1 * z)), trong đó W1 giảm kích thước bằng tỷ lệ giảm r (thường là 16) và W2 khôi phục kích thước đó, giữ cho chi phí tăng thêm ở mức nhỏ. Đầu ra là bản đồ tính năng đầu vào được chia tỷ lệ theo kênh theo s. Đó là một hình thức tự kiểm soát: mạng quyết định, từ số liệu thống kê toàn cầu, kênh nào quan trọng đối với đầu vào cụ thể này.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của mạng ép và kích thích
Các khối SE tồn tại bên trong các kiến trúc hiệu quả: EfficiencyNet và MobileNetV3 nhúng chúng vào các khối xây dựng của chúng. Ý tưởng này đã tạo ra một dòng mô-đun chú ý, CBAM bổ sung thêm sự chú ý về không gian, ECA-Net thay thế nút cổ chai bằng tích chập 1D rẻ tiền và các thủ thuật hiệu chỉnh lại nhẹ này hiện xuất hiện trong tính năng phát hiện, phân đoạn và thậm chí cả một số kết hợp biến đổi thị giác. Mong đợi sự chú ý của kênh vẫn là đòn bẩy về độ chính xác với chi phí thấp ở bất cứ nơi nào vẫn tồn tại sự phức tạp.
Triển khai trong thế giới thực
SENet đã chiến thắng thử thách phân loại ImageNet ILSVRC 2017 bằng cách thêm các khối SE vào xương sống ResNeXt
EfficiencyNet và MobileNetV3 nhúng các mô-đun SE vào mọi khối để tăng độ chính xác trên thiết bị di động
Các mô hình phân đoạn và phát hiện đối tượng chèn các khối SE để nhấn mạnh các kênh tính năng thông tin
ECA-Net và CBAM mở rộng ý tưởng SE với việc hiệu chỉnh lại kênh rẻ hơn hoặc nhận biết được không gian
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Squeeze-and-Excitation Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Mạng viên nang
Câu hỏi thường gặp
Mạng ép và kích thích là gì?
Các khối Bóp và Kích thích (SE) cho phép mạng tích chập tìm hiểu mức độ quan trọng của mỗi kênh tính năng, hiệu chỉnh lại chúng dựa trên bối cảnh chung. Cơ chế giống như sự chú ý rẻ tiền này đã giành chiến thắng trong cuộc thi ImageNet năm 2017 và trở thành khối xây dựng tiêu chuẩn của CNN.
Bước 'ép' vào khối SE có tác dụng gì?
Việc siết chặt áp dụng tính năng tổng hợp trung bình toàn cầu, thu gọn từng bản đồ tính năng thành một bộ mô tả duy nhất trên mỗi kênh.
Bước 'kích thích' đầu ra là gì?
Sự kích thích truyền vectơ bị nén qua hai lớp FC kết thúc bằng sigmoid, mang lại trọng số tỷ lệ cho mỗi kênh.
Trọng số kích thích được áp dụng cho bản đồ đối tượng ban đầu như thế nào?
Bản đồ đặc trưng của mỗi kênh được nhân với trọng số đã học của kênh đó, khuếch đại hoặc triệt tiêu kênh đó.
Tại sao kích thích sử dụng nút cổ chai với tỷ lệ giảm (thường là 16)?
Nút cổ chai co lại sau đó khôi phục kích thước kênh, do đó khối SE chỉ tốn thêm một vài phần trăm.
SENet đã giành chiến thắng trong cuộc thi nào vào năm 2017?
SENet đã giành chiến thắng trong thử thách phân loại hình ảnh ILSVRC 2017, đẩy lỗi top 5 lên khoảng 2,25%.