Squeeze-and-Excitation Networks 提出了 SENet，进一步提高了 ResNet 的表达能力。

对于由卷积神经网络（Convolutional Neural Networks）得到的特征图（Feature Map），其每一层通道（Channel）由上一个特征图所有通道经过卷积操作然后加权相加得到。不同通道由不同组独立的参数得到，这些参数在当前层并无直接交互，互不影响。

且卷积操作是局部的，而 SENet 用全局的 Global pooling 操作计算权值，动态地调整了特征图不同通道之间的权值，给予了通道层与层之间直接交互的能力，提高了表达能力。