从图中很明显可以看出 ResNeSt 是 SENet-block、SKNet-block 和 ResNeXt 的集成。首先和 ResNeXt 一样，先将输入划分为K份，每一个都记作 Cardinal X。然后将每个 Cardinal 继续拆分为 Split Y，所以总共就有 G=XY 个分支（可以想象成一棵树）。Split Y 是由若干卷积组成，用于特征的提取，同一个 Cardinal 里的 Split 通过同一个 Split Attention 模块进行输出。
Split Attention 模块如下图所示，其实就相当于 SENet-block ，一个通道注意力机制，对通道赋予不同的权重。
最后再加一个 SKNet-block 。将每个 Cardinal 模块输出的特征进行拼接之后，加一个 1x1 卷积进行处理，将 1x1 卷积的输出结果与输入特征进行相加，就是完整的 ResNeSt block 的操作了。而将 ResNeSt block 进行堆叠，就形成了 ResNeSt。