阅读了论文 Squeeze-and-Excitation Networks
论文利用的是通道间的相关性，先用GAP屏蔽掉空间上的分布信息能让后续计算更加准确。先将空间上所有点的信息都平均成了一个值，然后使用两个全连接利用通道相关性训练最终的通道重要性。

代码工作：

• 在6002和6005上同时对 pven进行实验。
  1.调高num_instance和batchsize，在veri776上仅对pven使用uafm，将性能调到82.46
  2.直接使用之前的特征面积融合机制代替pven的面积注意力机制，性能下降到80。
  3.对修改后的仅用面积注意力机制的pven实验，性能达到82.2。
  4.对修改代码后的pven用特征面积融合注意力机制，性能下降到81.
  5.使用原本胡师兄的特征面积注意力机制，性能依然比只使用uafm和面积注意力机制低。
  6.修改特征注意力和面积注意力的权重占比，还在实验中。
• 在6006 上对fast-reid 中的resnet50不同阶段中插入 inception的高低频处理模块
  1.在stage3和stage4后使用时，性能比只在stage4后使用更高。
  2.在stage2和stage3和stage4后使用时，性能会暴降。

问题分析

• PVEN一开始直接使用特征面积注意力融合时，效果差。
  查看代码，发现原作者使用面积注意力机制的代码和胡师兄的代码有些许差别；原作者是在对特征张量归一化前使用的面积注意力机制乘特征，胡师兄为了添加特征注意力机制，将面积注意力机制修改为归一化后再与特征张量相乘。于是，进行第一个实验，修改面积注意力为归一化后乘特征张量，进行实验，得到接近修改前的性能，82.24。
  紧接着，进行下一步实验，添加特征注意力机制；实验结果是，无论之前我使用的多层感知机，还是胡师兄的特征注意力模块，添加后都会使性能下降近一个点。
  思考原因，通过打印代码执行过程，特征注意力和面积注意力的权重的值，发现特征注意力总比面积注意力的权重要高。猜测性能下降的原因可能使面积注意力的作用被消弱了。于是，尝试调低特征注意力权重值，进行实验。

下一步

1.在现有最高性能上，调试代码，使添加特征注意力后的模型性能变得更好。
2.根据 senet的思想，先使用gap对通道上所有信息平均到点，然后对4个局部特征使用全连接训练得到它们的重要性。