一、前言

  上周学习了数学表达式、了解了DDNet的网络框架。
  在本周，寻找改进网络框架与超参数的灵感，并跑代码查看效果。另外，完成了毕业设计开题报告任务。

二、实验情况

2.1 结果展示

  最近的实验使用的数据集是CurveFault-A，训练的数据量大小为5000，epoch=120，batch_size=64，实验结果展示如下：

  之前使用数据量大小为500的CurveFault-A数据集在OpenFWI上进行训练，epoch=240，batch_size=64，部分结果展示如下：
  另外，对test.py文件中的显示函数进行了调整，部分展示结果如下：

  可以看到，MAE与MSE有明显下降，但是SSIM的变化感觉不太大，这种变化是正常的吗？

2.2 灵感收集

• MCA：Multidimensional collaborative attention in deep convolutional neural networks for image recognition(用于图像识别的深度卷积神经网络中的多维协作注意力)
• 文章链接：https://doi.org/10.1016/j.engappai.2023.107079
• 代码：https://github.com/ndsclark/MCANet

  该模块实现了一个称为"MCALayer"(Multi-modal Channel Attention Layer)的注意力机制，主要用于增强神经网络在不同通道之间的交互和信息整合。

  MCALayer具有以下几个关键组件和特点：

• MCAGate模块：MCALayer包含了MCAGate模块，是一个多模态的注意力机制，利用池化操作（平均池化、最大池化、标准差池化）来提取不同通道间的特征信息，这些不同类型的池化操作有助于捕捉通道间的不同统计特性。
• 通道间的交互：MCALayer具有三种不同类型的通道间交互方式，分别是水平-通道(h-cw)、垂直-通道(w-hc)和通道-通道(c-hw)交互，这些交互方式分别针对不同的维度，有助于模型更好地理解和整合不同通道之间的信息。
• 空间维度的处理：根据no_spatial参数的设置，MCALayer可以选择是否进行空间维度上的交互，如果no_spatial为True，只会进行通道间的交互；如果为False，还会进行空间维度上的交互。
• 权重融合：在不同的通道交互之后，MCALayer使用权重融合来整合不同池化方式的信息，通过学习的方式，模型可以决定如何分配不同池化方式的重要性。
• 多尺度核大小：MCALayer中的和大小会根据输入通道数自动选择，以增强模块的适用性。
  

  总的来说，MCALayer通过多模态的注意力机制，引入不同类型的通道交互和池化操作，从而可以更好地捕捉特征之间的关系，提高模型的特征表示能力，有助于在计算机视觉任务中提高性能，如图像分类、目标检测和语义分割。
  此外，MCALayer的模块化设计（即插即用）使得它可以方便地嵌入到神经网络中。

三、小结

• 1.参数的调整是一个较为漫长的过程，有时候想法很美好，但是最后的结果让人失望，理论和实际差距较大。
• 2.实验的数据集大小、epoch、batch_size等设置为多少呢？