cfzd

@Soso-developer 你的理解是对的，14x14的最低频和7x7的最低频是不一样的，可以说7x7每个频谱“更宽”一些，我们总是把图像缩放到7x7再提取频谱的。

@cfzd 抱歉，我搞错了，太久了都忘记了，实际上我们在提取频谱时会提取一个相对位置的频率，可以看看这部分代码： https://github.com/cfzd/FcaNet/blob/aa5fb63505575bb4e4e094613565379c3f6ada33/model/layer.py#L38-L41 所以当我们提取最低频时，在7x7的图上是(1,1)这个位置，而在14x14的图上是(2,2)这个位置

@Zhongrocky It is not empty. It just don't fave any learnable parameters. The implementation of MultispectralDCTlayer is here: https://github.com/cfzd/FcaNet/blob/aa5fb63505575bb4e4e094613565379c3f6ada33/model/layer.py#L65-L117

@Soso-developer 如果要跑LF的实验，那就是只选低频信号就好了，就行这个地方： https://github.com/cfzd/FcaNet/blob/aa5fb63505575bb4e4e094613565379c3f6ada33/model/layer.py#L15-L17 如果要跑TS的实验，那么就需要做很多实验了： - 获取每个频率的性能，以ImageNet一般7x7的大小为例，总共有49个频谱，那么就拿这49个频段挨个做attention的实验 - 然后把这49个频段的结果按照性能排序，选取最高的k个，如果k=2,4,8,16的话继续做4次实验 - 最终得到性能最高的k，这个就是TS的结果