一、前言

由于之前工作中，训练数据集普遍较小 以及 开发板对模型的限制，所以对SE模块的使用较少，对它的插入位置不是很清楚，这样不利于日后对它的使用。故最近查了下使用案例，记录总结如下。

二、正文

（一）plain模型

SE作者对SE模块在plain模型插入位置的建议是：在每个卷积的激活函数后面插入。这样一看会误以为在每个卷积层后面加个SE模块，一般是在每个block后面插入，下面结合实际的案例来做说明。

1. SE-Inception 模型

2. PP-LCNet 模型

由上面两张图可见，SE模块在plain模型的插入位置，一般在上个block的结尾 下一个block之前的位置插入。

（二）skip connection 模型

skip connection 模型指ResNet、MobileNet v2/v3这种具有shortcut操作的模型。现在的模型基本是这个结构，它与plain模型block最大的不同就是多了个恒等映射的分支（一些变种可能不是恒等映射分支，意思明白就好）。

1. (类)residual unit外部，SE的插入位置

SE作者做了个实验，验证SE模块在residual unit外部时，放在哪个位置效果最好。这个实验虽然是用残差网络来做的，但是其他模型如MobileNet也可以借鉴，毕竟二者的思路是一致的。

验证结果如下，下图中的SE就是上图的 Standard SE block，其他名词含义与上图一致。

由上图可见，SE-POST block误差相对最大，所以作者建议：SE模块要加在两个分支汇合之前。
至于SE-PRE block、SE-Identity block的top1误差比Standard SE block还小，但SE作者最后并没有采用这种形式，而是用了Standard SE block(也即上图的SE)形式。我猜想可能是plain模型的思维惯性，即放在卷积后面。
在此还要说明一点，SE作者自己说过，这些插入位置什么的，不是SE论文的核心，所以他没做很多实验。他建议针对特定网络结构，针对性地插入SE模块，可能会得到更好的结果。所以SE-PRE block、SE-Identity block甚至SE-POST block都可以尝试一下。（反正深度学习是拿实验数据说话）

2. (类)residual unit内部，SE的插入位置

SE作者还实验了下，把插入位置由下图的 “SE模块” 换到 "SE_3X3"处(3x3指的是block中间那个3x3卷积)。另外说下，下图就是SE-ResNet50的模型图，也就是作者最终选定的结构样式。

上面实验结果如下，可以发现二者的性能没什么差别，但因为ResNet的3x3卷积比下面1x1卷积的通道数更低，所以SE_3X3的参数量、计算量也更低。

MobileNet v3也借鉴了SE_3X3的添加位置，由下图可见，也是放在3x3卷积与1x1卷积之间。

此外，看git上MobileNet v3代码，会发现SE的插入位置还有个版本，该版本插入位置与SE-ResNet50一致，在unit最后一个卷积后面。这里估计是想减少点参数量及计算复杂度，毕竟MobileNet v3的3x3卷积比下面1x1卷积的通道数更高。实际使用时，两个位置都可以试试。

class Block(nn.Module):
    '''expand + depthwise + pointwise'''
    def __init__(self, kernel_size, in_size, expand_size, out_size, nolinear, semodule, stride):
        """
        这块代码不重要，就不贴出来了，免得不好看博客
        """
    def forward(self, x):
        out = self.nolinear1(self.bn1(self.conv1(x)))
        out = self.nolinear2(self.bn2(self.conv2(out)))
        out = self.bn3(self.conv3(out))
        if self.se != None:  # 在 1x1卷积后面插入SE模块
            out = self.se(out)
        out = out + self.shortcut(x) if self.stride==1 else out
        return out

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

自YOLO V5面世以来，针对其的改进也有添加SE模块的方式。纵观网上的博客，发现V5添加SE模块一般是在两个位置：
① 在C3-bottleneck中添加SE模块的，这样添加主要为了更好的做实验，参考博客；

另外，目前一般是加在bottleneck中第一个卷积block后面，参考上面的博客内容，也可以试试放在第二个卷积block后面。最后我们可以看到，无论是YOLO V5、MobileNet v3还是SE-ResNet50，添加SE模块都是以block为单位目标来添加的，这点与我们在博文开头处的观点倒是不谋而合。

② 在V5-backbone结尾处添加SE模块。
这个添加位置比较少见，我也是看这个参考博客才知道，博主表示 backbone结尾添加一个注意力机制 会好点。

# YOLOv5 backbone
backbone:
  # [from, number, module, args]
  [
    [-1, 1, Focus, [64, 3]], # 0-P1/2                 #1
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4              #2
    [-1, 3, C3, [128]], #3
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8              #4
    [-1, 9, C3, [256]], #5
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16             #6
    [-1, 9, C3, [512]], #7
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32            #8
    [-1, 1, SPP, [1024, [5, 9, 13]]], #9
    [-1, 3, C3, [1024, False]], # 9                   #10
    [-1, 1, SELayer, [1024, 4]], # SE模块加在block的外面,即 SE-POST block方式
  ]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

想了一下，这点在SE论文里的SE-Inception也有体现。如下图：

3. 在模型哪几层插入SE模块

这对我们使用SE模块，确实是个问题，每层都用不合适，选一层的话又不知道应该选哪层。SE作者为此做了个实验。
先看看作者做实验的模型，绿色的字体是我打的，让各位更明白模型每个stage在模型中的位置，其中每个feature map尺寸就是一个stage。中间与右边两列中括号里的fc,[xx, xx]就是SE模块。

作者做了组对比实验，分别只在SE_stage_2，SE_stage_3，SE_stage_4 插入SE模块，最后又给出所有stage（SE_ALL）插入SE模块的实验结果。可以看见，每层都加的效果是最好的（其参数量与计算量也最高），所以作者最后也是每个block都添加了SE模块。

但要注意的是，在模型的最后三个block（SE_stage_4）添加SE模块，会发现 性能-计算复杂度取到一个比较好的平衡，这点在PP-LCNet里也得到了呼应。如下图所示，PP-LCNet在模型最后的两个block添加SE模块（也是最后一个stage），也是取得了性能-计算复杂度平衡，故以后部署平台算力紧张时，可以考虑这种策略。

查看MobileNet v3论文，发现其对SE的用法也有点类似于前两者。据下图可知，MobileNet v3在其large与small版本的最后两个stage中都插入了SE模块。以后使用时，在模型最后两个stage添加SE模块性价比更高点，如果算力限制大，也可以试着只在最后一个stage添加SE模块。

三、后语

抛砖引玉之作，如有遗漏、补充，还请各位看官不吝指出，谢谢。