阅读ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

前面学习了SENet为代表的通道注意力机制来提高网络性能，但是该网络模型涉及降维以控制模型复杂性。但是作者实验中显示维度减少对通道注意预测产生了副作用，因为其将通道特征投影到低维空间，然后将其映射回来，使通道与其权重之间的对应关系成为间接的，并且捕获所有通道之间的依赖关系是低效且不必要的。因此作者设计了ECA模块，该模块避免了维度缩减，并以有效的方式捕获跨通道交互。

1.模块结构:首先自适应地确定核大小，然后执行1D卷积，然后执行Sigmoid函数。最后作用到原图上。

 （1）避免降维

文中将SE模块与三种变体比较，表明避免维度降低有助于学习有效的通道注意。给定聚合特征y∈rc在没有降维的情况下，通道注意可以通过ω=σ（Wy）来学习，文中列出两种方法，

 区别在于SE-V ar3考虑了跨信道交互，而SEV ar2不考虑，结果表明，跨渠道互动有利于学习渠道注意。然而，SEVar3需要大量参数，导致模型复杂度高。折中方案是分组，

将通道划分为G组，每个组包括C/G通道，并独立学习每个组中的通道注意，以本地方式捕获跨通道交互。从卷积的角度来看以上分别视为深度可分离卷积、FC层卷积和分组卷积。但是这种分组完全抛弃了不同组之间的依赖关系，效果不好。

（2）核心思想：频带矩阵和计算过程

 式（6）中的Wk涉及k×C参数，通常小于式（5）中的参数。此外，式（6）避免了式（5）中不同组之间的完全独立性。计算公式：

更有效的方法是使所有通道共享相同的学习参数

这种策略可以通过核大小为k的快速1D卷积来实现

 （3）范围取值：

最简单的映射是线性函数φ（k）=γ∗k−b

非线性

然后，在给定信道维数C的情况下，