卷积神经网络建立在卷积运算的基础上，通过融合局部感受野内的空间信息和通道信息来提取信息特征。为了提高网络的表示能力，许多现有的工作已经显示出增强空间编码的好处。在这项工作中，我们专注于通道，并提出了一种新颖的结构单元，我们称之为“Squeeze-and-Excitation”（SE）块，通过显式地建模通道之间的相互依赖关系，自适应地重新校准通道式的特征响应。通过将这些块堆叠在一起，我们证明了我们可以构建SENet架构，在具有挑战性的数据集中可以进行泛化地非常好。关键的是，我们发现SE块以微小的计算成本为现有的最先进的深层架构产生了显著的性能改进。SENets是我们ILSVRC 2017分类提交的基础，它在该分类赢得​​了第一名，并将top-5错误率显著减少到2.251%，相对于2016年的获胜成绩取得了25\%的相对改进。

最近的工作表明，如果它们在接近输入的层和接近输出的层之间包含较短的连接，则卷积网络可以的深度可以显著增加，准确度更高，并且更易于训练。在本文中，我们采纳这一观点，并提出了密集连接卷积网络(DenseNet)，它以前馈的方式将每个层连接到其他层。而传统的卷积网络 L 层网络具有 L 层连接 （每个层和其后续层之间）---我们的网络有\$ \frac{L(L+1)}{2} \$直接连接。对于每层，所有前面图层的特征映射用作输入，并且其自己的特征映射用作所有后续层的输入。。DenseNet有几个引人注目的优势：它们缓解了消失的渐变问题，加强了特征传播，鼓励功能重用，并大大减少参数的数量。我们在四个竞争激烈的物体识别基准任务（CIFAR-10，CiFar-100，SVHN和Imagenet）上评估我们所提出的架构。DenseNet在大多数SOTA情况下获得显着改进，同时需要较少的计算来实现高性能。代码和预先训练的模型参见https://github.com/liuzhuang13/densenet。

政治家们在对事件做出反应时经常有底层议程。各种事件的上下文中的论据反映了给定实体的一组相当一致的议程。尽管近期预用语言模型（PLMS）进行了进展，但这些文本表示不设计用于捕获此类细微差别模式。在本文中，我们提出了一种由编码器和作曲器模块组成的组成读者模型，该模型包括捕获和利用此类信息，以为实体，问题和事件产生更有效的表示。这些表示由Tweets，新闻稿，问题，新闻文章和参与实体进行了内容化。我们的模型可以一次处理多个文档，并在几个问题或事件中生成多个实体的组合表示。通过定性和定量的实证分析，我们表明这些陈述有意义和有效。