参考论文：
Gabor Convolutional Networks (IEEE Transactions on Image Processing(Volume: 27,Issue: 9, Sept. 2018))
中文描述
1.概要
将多个Gabor滤波器调制为GoF，用GoF代替卷积层，得到Gabor卷积神经网络。
1.1 GoF
将多个Gabor滤波器调制为GoF，GoF功能类似于CNN中的卷积层，本质上也是一种卷积计算，GoF中的参数是U、V，分别对应于Gabor滤波器的方向和尺度，表示这样的滤波器能够提取掌纹U个方向和V种尺寸上的特征，这两个参数类似于卷积核的大小，可以根据需要设置。
文献中设置的是让U=N，大小在1-6之间，V随着层数从1-4变化。
1.2 Gabor卷积神经网络
GoF中只有可学习滤波器 C i , o C_{i,o} Ci,o?中的参数参与权重的更新，在源代码中，所有的前向传播和反向传播是在C++中完成的，在Python中进行调用，为此最好在Linux系统中运行。（本菜鸟在Windows上改了很久，调不动[哭]~）
2.运行
直接调用源码中的“gcn”文件夹，主函数和框架仍是用自己的，相当于只是用GConv层直接代替nn.Conv2d：
参数channel就是U，nScale就是V。
2.1 U和V
仿效原论文对U和V两个参数对实验结果的影响做了对比，使用的是IITD非接触掌纹数据集：
2.2 GConv和Conv2d
使用0-4个GConv依次替代CNN中的Conv2d，对比5种模型的结果：
在IITD上Gabor卷积神经网络的结果总不如CNN，尝试多次调整参数，这几种模型也都是经过优化的，仍不符合预期，但结果相对于以往几年的经典网络模型还是不错的，就是打不败CNN…
在Tongji非接触掌纹数据集上两种最好的模型都达到了1.0的识别率，这一点还不错。
找机会会把代码传上去。
总之实验到这里就彻底告一段落了，没有创新，没有优化，只是搬弄粉饰，拾人牙慧，捡着前辈的东西重现一番，为大学生活画上一个潦草的句号，没有留恋，没有遗憾。
