本文介绍了一种通过与密集层结合的聚合多层感知机，用于改进现有体系结构，提高高级特征表示能力的方法。通过对基于图像分类的现有体系结构进行实验比较，结果表明该方法显著提高了分类准确度。

Nov, 2023

本研究提出了一种新的神经网络单元 SE 块来自适应地重新校准通道特征响应，进一步提高 CNN 架构的性能，并在 ILSVRC 2017 分类中取得了一流的成绩。

Sep, 2017

本文提出了 SE 模块的变体，通过改进挤压和兴奋的过程，实现了平滑的层权重过渡和强化性能，在残差网络上进行实验的结果表明，这些变体保留了 SE 模块的特性。

Apr, 2023

本文提出使用 Squeeze & Excitation 模块，分别从空间和通道两个角度分为三个变体，提高卷积神经网络的特征表示能力，在脑部和器官分割上取得了良好的效果。

Mar, 2018

本文介绍了一种基于 “挤压与激励” 模块的语义分割模型架构，通过简单计算模块提高模型分割精度，模块只带来了 1.5% 的模型复杂度增加。

Aug, 2018

本文提出了一种适用于卷积神经网络在视觉识别中的通用变换单元，它能明确建模可解释的控制变量，以确定神经元行为与卷积权重联合优化以提高识别精度，并使用通道标准化层来减少参数数量和计算复杂度。实验表明该单元在多项视觉任务上具有明显优势。

Sep, 2019

本文提出了一种新的体系结构 ——SEEA-UNet，它结合了 Attention UNet 和 Squeeze Excitation Network 以获取空间和通道级别的信息，并使用二元焦点损失和 Jaccard 系数监控模型性能。与现有体系结构相比，该模型在少量时期的训练中表现更好。

May, 2023

我们的研究工作提出了一种用于句子分类的 Squeeze-and-Excitation 卷积神经网络（SECNN），该网络利用多个 CNN 的特征图作为句子表示的不同通道，并结合通道注意机制（SE attention mechanism）学习不同通道特征的注意权重，实现了在句子分类任务上先进的性能。

Dec, 2023

本文提出了一种新的视频表示学习方法，即 Temporal Squeeze（TS）池化，该方法可以从长序列的视频帧中提取必要的移动信息，并将其映射成一组少量的图像。将 Temporal Squeeze pooling 作为层嵌入到现有的卷积神经网络中，设计了一种新的视频分类模型，称为 Temporal Squeeze Network（TeSNet）。生成的 Squeezed Images 包含视频帧中的必要移动信息，与视频分类任务的优化相对应。我们在两个视频分类基准测试上评估了我们的体系结构，并将结果与最先进的结果进行了比较。

Feb, 2020

通过引入低复杂度的 CNN 架构模块，我们的方法在提高模型表现方面相较于已有方法性能更好，尤其是在 ResNet-50 分类方面，其表现与 ResNet-152 相当，且具有良好的泛化性能。

Mar, 2019