对于基于深度学习的分类算法，其关键不仅在于提取与标签相关的目标信息，剔除无关的信息也是非常重要的，所以要在深度神经网络中引入软阈值化。阈值的自动设置，是深度残差收缩网络的核心贡献。需要注意的是，软阈值化中的阈值，需要满足一定的条件。这篇文章中的阈值设置，事实上，是在注意力机制下进行的。下面分别介绍阈值需要满足的条件、注意力机制以及具体的阈值设置方法。
（1）阈值需要满足的条件
在软阈值化中，阈值的取值有一定的要求：首先，阈值必须是正数；其次，阈值不能太大，否则输出会全部为零。
更重要的是，每个样本，应该有不同的阈值。这是因为，许多样本所含的噪声量经常是不同的。
例如，样本A所含噪声较少，样本B所含噪声较多。那么，在降噪算法里面，样本A的阈值就应该大一点，样本B的阈值就应该小一些。在深度学习算法里，由于这些特征没有明确的物理意义，阈值的大小也无法得到解释。但是道理是相通的，即每个样本应该有不同的阈值。
（2）注意力机制
注意力机制可以从视觉的角度进行解释。人类能够通过快速扫描图像，发现目标物体，进而将更多的注意力集中在目标物体上，以捕获更多细节，同时抑制其他区域的无关信息。
Squeeze-and-Excitation Network(SENet)是一种典型的带有注意力机制的深度学习方法。对于不同的样本，不同通道上的特征，在分类任务中的重要程度，经常是不同的。SENet可以学习一组权重，自动地调整不同通道的特征的大小。这个过程，就相当于施加不同的注意力在各个通道的特征上（见下图）。
需要注意的是，每个样本，都有自己独特的一组权重。任意两个样本，它们的这些权重，都是不同的。在SENet中，具体的网络结构如下图所示。学习权重的路径就是，全局池化→全连接层→ReLU→全连接层→Sigmoid。
（3）具体的阈值设置方法
深度残差收缩网络采用了一个子网络来自动地设置阈值。这个子网络的结构，就借鉴了上述的SENet。
首先来看“通道之间共享阈值的深度残差收缩网络(Deep Residual Shrinkage Networks with Channel-shared Thresholds，简称DRSN-CS)”。我们可以看到，在红色虚线框里的子网络，学习得到了一个阈值，应用在特征图的所有通道上。
在这个子网络中，首先对输入特征图内的所有元素，取绝对值。然后经过全局均值池化(Global Average Pooling, GAP)和求平均(Average)，就得到了一个特征。为了方便描述，将这个特征记为A。在另一条路径中，全局均值池化之后的特征，输入到一个小型的全连接网络之中。这个全连接网络以一个Sigmoid激活函数作为最后一步，其目的在于将输出调整到0和1之间，记为α。最终的阈值就是α×A。这样的话，阈值就是，一个0和1之间的数字×特征图的绝对值的平均值。通过这种方式，保证了阈值不仅为正数，而且不会太大。
然后再看“逐通道不同阈值的深度残差收缩网络(Deep Residual Shrinkage Networks with Channel-wise Thresholds，简称DRSN-CW)”。与上述的DRSN-CS相似，在红色虚线框里的子网络，学习得到了一组阈值。以相同的方式，确保了阈值有着合适的取值范围。
值得指出的是，通过这种方式，不同的样本就有了不同的阈值。在一定程度上，也可以理解为一种注意力机制：注意到不重要的特征，将它们剔除掉；或者说，注意到重要的特征，将它们保留下来。另外，虽然跨层的恒等路径(Identity shortcut)将不重要的特征也传递到了高层特征中，但是通过很多残差模块的堆叠，这些不重要的特征所占的比重越来越低，最终实现不重要特征的消除。
前三篇的内容：
深度残差收缩网络：（一）背景知识 https://www.cnblogs.com/yc-9527/p/11598844.html
深度残差收缩网络：（二）整体思路 https://www.cnblogs.com/yc-9527/p/11601322.html
深度残差收缩网络：（三）网络结构 https://www.cnblogs.com/yc-9527/p/11603320.html
原文的链接：
M. Zhao, S. Zhong, X. Fu, B. Tang, and M. Pecht, “Deep Residual Shrinkage Networks for Fault Diagnosis,” IEEE Transactions on Industrial Informatics, 2019, DOI: 10.1109/TII.2019.2943898
https://ieeexplore.ieee.org/document/8850096
原文地址：https://www.cnblogs.com/yc-9527/p/11604082.html