https://blog.csdn.net/ITOMG/article/details/89673593（先看这个，理解sknet） https://zhuanlan.zhihu.com/p/59690223（再看这个，原作者大局上的理解） https://github.com/implus/PytorchInsight（pytorch实现） 对照下面的图像及代码基本就能理解他是怎么实现的

在神经科学界，视皮层神经元的感受野大小受到刺激的调节，即对不同刺激，感受野的大小应该不同。目前很多卷积神经网络的相关工作都只是通过改进网络的空间结构来优化模型，如Inception模型通过引入不同大小的卷积核来获得不同感受野上的信息。但在构建传统CNN时一般在同一层只采用一种卷积核，即对于特定任务特定模型，卷积核大小是确定的，很少考虑多个卷积核的作用。 我们在看不同尺寸不同远近的物体时，视觉皮层

摘要 视皮层神经元的感受野大小受刺激的调节即对于不同的刺激，卷积核的大小应该不同，但在构建CNN时一般在同一层只采用一种卷积核，很少考虑因采用不同卷积核。于是SKNet被提出，在SKNet中，不同大小的感受视野（卷积核）对于不同尺度的目标会有不同的效果。尽管在Inception中使用多个卷积核来适应不同尺度图像，但是卷积核权重相同，也就是参数就是被计算好的了。而SKNet 对不同输入使用的卷积核

Selective Kernel Networks 论文：https://arxiv.org/abs/1903.06586?context=cs 代码：https://github.com/pppLang/SKNet 其灵感来源是，我们在看不同尺寸不同远近的物体时，视觉皮层神经元接受域大小是会根据刺激来进行调节的。那么对应于CNN网络，一般来说对于特定任务特定模型，卷积核大小是确定的，那么是

论文地址：https://arxiv.org/abs/1903.06586 代码地址：https://github.com/implus/SKNet SENet是对特征图的通道注意力机制的研究，之前的CBAM提到了对特征图空间注意力机制的研究。这里SKNet针对卷积核的注意力机制研究。 不同大小的感受视野（卷积核）对于不同尺度（远近、大小）的目标会有不同的效果。 尽管比如Inception这样的

点击上方“AI算法修炼营”，选择加星标或“置顶” 标题以下，全是干货 前面的话 上次文章中，我们主要关注了视觉应用中的Self-attention机制及其应用——Non-local网络模块，从最开始的了解什么是视觉注意力机制到对自注意力机制的细节把握，再到Non-local模块的学习。这次的文章我主要来关注视觉注意力机制在分类网络中的应用——SENet、SKNet、CBAM。 我们通常将软注意力