SKNet 是一种卷积神经网络（CNN）组件，其主要目标是让网络能够动态地选择最合适的卷积核感受野（kernel size/receptive field）来处理输入特征，从而更好地适应目标尺度变化。

💡 Selective Kernel Networks (SKNet) 机制解读

SKNet 的整个流程可以分为三个主要步骤：Split（分离）、Fuse（融合）、Select（选择）。

1. Split (分离)

• 目的： 使用不同感受野大小的卷积核来获取多尺度的语义信息。

• 流程描述：

• 

2. Fuse (融合)

• 目的： 融合多尺度语义信息，并生成一个全局描述来指导下一步的选择。

• 流程描述：

  

3. Select (选择)

• 目的： 根据融合后的全局信息，动态地选择最适合当前输入的感受野尺度，并赋予其更高的权重。

• 流程描述：

  

总结

SKNet 的核心在于其动态选择机制，使得网络无需手工固定感受野大小，而是能根据输入数据的内容，在训练中和推理时自动学习并选择最合适的卷积核感受野，从而显著提升了模型处理图像中多尺度目标的能力。