论文中的SeWeight的含义？

[Senwang98]

你好
刚刚在公众号看到你们的论文，对于多尺度特征，可不可以理解为Fi单独送到SE？也就是说SE最后的sigmod在你这边是单独绘图的，前面的两层conv与relu是你论文中所述的SEWeight？

self.SEWeight = nn.Sequential(
            nn.Conv2d(channel, channel // reduction, 1, padding=0, bias=True),
            nn.ReLU(inplace=True),
            nn.Conv2d(channel // reduction, channel, 1, padding=0, bias=True),
            #nn.Sigmoid()
        )

[murufeng]

我们是针对每个不同尺度的特征图计算SEweight，SEweight module代码见：https://github.com/murufeng/EPSANet/blob/main/models/SE_Weight_module.py

你好
刚刚在公众号看到你们的论文，对于多尺度特征，可不可以理解为Fi单独送到SE？也就是说SE最后的sigmod在你这边是单独绘图的，前面的两层conv与relu是你论文中所述的SEWeight？

self.SEWeight = nn.Sequential(
            nn.Conv2d(channel, channel // reduction, 1, padding=0, bias=True),
            nn.ReLU(inplace=True),
            nn.Conv2d(channel // reduction, channel, 1, padding=0, bias=True),
            #nn.Sigmoid()
        )

[Senwang98]

@murufeng
okay，知道了，但是我觉得有两个问题，不知道你这边有没有考虑过233333：
1.这样的话训练的话速度如何，我尝试将你们的方案替换了其他的att模块，训练的过程发现变慢不少。
2.split的过程中，看起来似乎每个块会唯一的使用一种depwise-conv，比如64通道，s=4，那么为什么前16通道就走3x3的conv，最后16层走9x9的。