채널 벡터를 따라 계산하기
공간 전체를 평균해 C개의 채널 요약값을 얻고 그 벡터에 1차원 합성곱을 적용한다. 여기서 합성곱이 이동하는 축은 원래 이미지의 가로 또는 세로가 아니라 채널 순서다. 그 결과를 시그모이드 등에 통과시켜 원래 특징에 곱할 채널 게이트를 만든다.
작은 커널의 계산 예제
채널 요약이 (1,2,3,4)이고 길이 3의 커널 값이 모두 1/3이며 양끝을 0으로 채운다고 하자. 합성곱 결과는 (1,2,3,7/3)이다. 이 예제에서 채널 2의 값은 주변 세 요약의 평균으로 만들어진다. 실제 모듈에서는 이 커널 값을 학습하며 시그모이드 등의 후속 단계도 있으므로 위 수치가 최종 게이트는 아니다.
매개변수 수와 범위
하나의 공유 1차원 필터를 쓰면 바이어스를 제외한 커널 매개변수 수는 길이 k개다. 채널 수에 따라 적절한 커널 길이를 고르는 설계도 사용한다. k가 작으면 각 게이트는 가까운 채널의 제한된 요약을 직접 받으므로, 모든 채널 사이에 자유로운 개별 연결을 둔 변환과는 표현 구조가 다르다.
SE 블록과 비교하기
SE 블록의 대표 구성은 채널 요약을 줄였다 다시 늘리는 학습 변환을 사용한다. ECA는 그 차원 축소를 피하고 국소 채널 상호작용으로 비용을 제한한다. 매개변수가 적다는 사실만으로 모든 장치에서 지연이 더 짧거나 모든 자료에서 정확도가 높다고 정할 수 없으며 실제 평가가 필요하다.