對於CNN網絡來說，其核心計算是卷積算子，其通過卷積核從輸入特徵圖學習到新特徵圖。從本質上講，卷積是對一個局部區域進行特徵融合，這包括空間上（H和W維度）以及通道間（C維度）的特徵融合
我們可以發現卷積實際上是對局部區域進行的特徵融合。 這也導致了普通卷積神經網絡的感受野不大，當然你也可以設計出更多的通道特徵來增加這個，但是這樣做導致了計算量大大的增加。因此爲了空間上融合更多特徵融合，或者是提取多尺度空間信息。也提出了許多不同的方法如Inception網絡的多分支結構。對於channel維度的特徵融合，卷積操作基本上默認對輸入特徵圖的所有channel進行融合。而SENet網絡的創新點在於關注channel之間的關係，希望模型可以自動學習到不同channel特徵的重要程度。爲此，SENet提出了Squeeze-and-Excitation (SE)模塊，如下圖所示：
在這裏SENet實際上是對整個輸入feature進行操作，感受野可以覆蓋到整個輸入feature上，這對於網絡來說是一個有益的語義信息補充。