YOLO改进系列之注意力机制（EffectiveSE模型介绍）
模型结构
ESE(Effective Squeeze and Extraction) layer是CenterMask模型中的一个block，基于SE（Squeeze and Extraction）改进得到。与SE的区别在于，ESE block只有一个fc层，(CenterMask : Real-Time Anchor-Free Instance Segmentation)的作者注意到SE模块有一个缺点：由于维度的减少导致的通道信息损失。为了避免这种大模型的计算负担，SE的2个FC层需要减少通道维度。特别的，当第一个FC层使用r(放缩通道尺度参数)减少输入特征通道，将通道数从c变为c/r的时候，第二个FC层又需要扩张减少的通道数到原始的通道c.在这个过程中，通道维度的减少导致了通道信息的损失。因而，ESE仅仅使用一个通道数为c的FC层代替了两个FC层，避免了通道信息的丢失。ESE模块的整体结构如下图（c）所示。
论文地址：https://arxiv.org/pdf/1911.06667.pdf
项目地址：https://github.com/youngwanLEE/CenterMask
实现代码
ESE Block的实现代码如下所示：
YOLOv5模型改进
本文在YOLOv5目标检测算法的Backbone和Head部分分别加入ESE Block来增强目标提取能力，以下分别是在Backbone以及Head中改进的模型结构和参数（以YOLOv5s为例）。
在Backbone部分
在Head部分
总结
ESE Block在SE Attention注意力模型的基础之上将2层FC层减少为1层，从而弥补特征信息的缺失。此外，ESE Block可进一步应用于YOLOv7、YOLOv8等模型中，欢迎大家关注本博主的微信公众号 BestSongC，后续更多的资源如模型改进、可视化界面等都会在此发布。另外，本博主最近也在MS COCO数据集上跑了一些YOLOv5的改进模型，实验表明改进后的模型能在MS COCO 2017验证集上分别涨点1-3%，感兴趣的朋友关注后回复YOLOv5改进。