挤压激励网络 (SENet)

Parent: ai_keywords

挤压激励网络 (SENet)

【核心定义】

挤压激励网络（Squeeze-and-Excitation Network, SENet）是一种轻量级注意力机制，通过显式建模卷积特征图通道间的相互依赖关系，自适应地重新校准每个通道的响应强度。其核心构件——SE块（Squeeze-and-Excitation Block）可作为即插即用模块嵌入主流CNN架构（如ResNet、Inception），以微小计算开销显著提升模型表现。SENet曾获2017年ImageNet挑战赛分类任务冠军。

【关键技术点】

1. Squeeze（挤压）：对空间维度（H×W）进行全局平均池化，将每个通道的二维特征图压缩为一个标量，获取全局感受野下的通道级描述符（1×1×C）。
2. Excitation（激励）：通过两层全连接网络（先降维r倍，再升维至C）学习非线性通道间相关性，并利用Sigmoid激活函数输出范围为(0,1)的权重向量，实现对每个通道的软性选择。
3. Scale（缩放）：将归一化后的权重向量逐通道乘以原始特征图，完成特征重标定，使模型自动强化重要通道、抑制冗余通道。
4. 轻量可嵌入：SE块参数量极小（约2C²/r），可灵活插入任何卷积层之后，且不会破坏原有结构，计算开销几乎可忽略。

【医学/神经科学应用场景】

首都医科大学神经病学研究所利用SENet增强的3D-ResNet，针对阿尔茨海默病（AD）的早期诊断任务，分析患者结构性脑部MRI。传统模型易受海马体萎缩、白质高信号等局部特征淹没的困扰。通过嵌入SE块，模型自动放大海马区、颞叶皮层等AD关键脑区的通道响应权重，抑制背景噪声与无关皮层信号，在AD vs.轻度认知障碍（MCI）二分类任务中，准确率提升约5.2%，且对早期轻度病例敏感度提高至89.3%。该技术已用于构建多中心AD辅助诊断系统，支持对老年痴呆高危人群的MRI智能化初筛。