hazedt/waveletkernelnet

This is the code for WaveletKernelNet.

waveletkernelnet's Issues

高低频

这个可以用来提取图片的高低频特征吗

是官方代码？

这不是官方代码？

关于小波变换

非常感谢你们的代码，我根据论文看了代码，似乎代码有一些不太一致的地方，不知道我的想法对不对。

`def Morlet(p, c):

y = c * torch.exp(-torch.pow(p, 2) / 2) * torch.cos(5 * p)
return y

class Morlet_fast(nn.Module):

def __init__(self, out_channels, kernel_size, in_channels=1):

    super(Morlet_fast, self).__init__()

    if in_channels != 1:

        msg = "MexhConv only support one input channel (here, in_channels = {%i})" % (in_channels)
        raise ValueError(msg)

    self.out_channels = out_channels
    self.kernel_size = kernel_size - 1

    if kernel_size % 2 == 0:
        self.kernel_size = self.kernel_size + 1

    self.a_ = nn.Parameter(torch.linspace(1, 10, out_channels)).view(-1, 1)

    self.b_ = nn.Parameter(torch.linspace(0, 10, out_channels)).view(-1, 1)

def forward(self, waveforms):

    time_disc_right = torch.linspace(0, (self.kernel_size / 2) - 1,
                                     steps=int((self.kernel_size / 2)))

    time_disc_left = torch.linspace(-(self.kernel_size / 2) + 1, -1,
                                    steps=int((self.kernel_size / 2)))

    p1 = (time_disc_right.cuda() - self.b_.cuda()) / self.a_.cuda()
    p2 = (time_disc_left.cuda() - self.b_.cuda()) / self.a_.cuda()
    C = pow(pi, 0.25)
    D = C / torc.sqrt(self.a_.cuda())
    Morlet_right = Morlet(p1, D)
    Morlet_left = Morlet(p2, D)
    Morlet_filter = torch.cat([Morlet_left, Morlet_right], dim=1)  # 40x1x250
    self.filters = (Morlet_filter).view(self.out_channels, 1, self.kernel_size).cuda()
    return F.conv1d(waveforms, self.filters, stride=1, padding=1, dilation=1, bias=None, groups=1)

model2 = Morlet_fast(out_channels=50, kernel_size=18).to(device)
model2.eval()
torch.no_grad()
input = torch.rand(20, 1, 1024).to(device)
output2 = model2(input)
print(output2.size())`

关于拉普拉斯变换

拉普拉斯变换代码line42 是不是应该加上()?

p1 = (time_disc.cuda() - self.b_.cuda()) / self.a_.cuda()

小波函数固定，怎么定义可训练？

这个小波函数是固定的，函数图像也应该是固定的，为啥原文有训练之前和训练之后不一样的对比？哪里有问题吗

nothing

use assert instead of ‘if - raise Err’

For example,

if in_channels != 1:
      msg = "MexhConv only support one input channel (here, in_channels = {%i})" % (in_channels)
      raise ValueError(msg)

can be
assert in_channels == 1

参数更新及权重加载的疑问

1. 这代码是否只是用小波形函数初始化第一层卷积的权重，并未实现权重更新由超参数控制？如果是这样的话，这代码和论文就完全不符合
2. 该代码除cwconv层外，均是从pytorch模型torchvision源码上修改过来的，将它从2d改成1d后，就别弄pretrained这个加载权重的功能。1d模型加载2d权重，且第一个卷积层形状也不一致，当然会出问题。