摘要

近年来，通道注意力机制在提升深度卷积神经网络（CNN）性能方面展现出巨大潜力。然而，大多数现有方法致力于设计更为复杂的注意力模块以追求更高性能，这不可避免地导致模型复杂度上升。为解决性能与复杂度之间的权衡难题，本文提出一种高效通道注意力（Efficient Channel Attention, ECA）模块。该模块仅包含少量参数，却能带来显著的性能提升。通过对SENet中通道注意力模块的深入分析，我们通过实证研究发现：避免降维操作对于学习有效的通道注意力至关重要；而通过适当的跨通道交互，可在显著降低模型复杂度的同时保持原有性能水平。基于此，我们提出一种无需降维的局部跨通道交互策略，该策略可通过一维卷积（1D convolution）高效实现。此外，我们进一步设计了一种自适应方法，用于动态选择1D卷积的核大小，从而确定局部跨通道交互的覆盖范围。所提出的ECA模块兼具高效性与有效性。以ResNet50为主干网络为例，其参数量仅为24.37M的80分之一（即约80万），计算量也从3.86 GFLOPs降至4.7×10⁻⁴ GFLOPs，降幅超过三个数量级，同时在Top-1准确率上实现了超过2%的性能提升。我们在基于ResNet和MobileNetV2主干网络的图像分类、目标检测与实例分割任务上对ECA模块进行了广泛评估。实验结果表明，ECA模块在保持优异性能的同时，显著优于现有同类方法，在效率方面具有明显优势。