The code is inconsistent with the paper description

[zhangxuying1004]

作者您好，我对您的这篇论文很感兴趣，但是在阅读论文和代码的过程中，发现多处不一致的情况，特来向您请教，例如：

1. Fig.3中的Correlation模块，您在Sec.3.3 的描述中说，使用cross-attention（scaled dot-product）进行查询特征和支持特征的匹配会导致overfitting和weak generalization，因此采用了cosine相似度量的方式，您在Fig3中也是这么展现的，但是您在model/Transformer.py的实现中，实际采用的还是cross-attention。
2. Fig.3中的Correlation Distillation，您在Sec.3.3 中的公式（9）描述，使用的是相邻层次correlation间的蒸馏，但是您在model/HDMNet.py的实现中，实际使用的是支持图片的mask（teacher）到每个层次correlation的蒸馏。 此外，还有论文中还有描述不够清楚的地方，例如：
3. 您实际上使用了BAM中base learner+meta learner的结构，但是在正文描述中，只在实现细节处提了一句以PSPNet作为base learner，方法一节中完全没有提及。
4. 支持图片，支持mask和查询图片输入到预训练特征提取器中的操作，代码中的操作正文Sec3.2中没有提及。
5. 模型的loss公式等。 我想知道：
6. 您公布的代码是否为最新版本？如果不是，近期是否可以更新？
7. 关于上面论文描述中我心存疑惑的几点内容，不知您是否可以解答呢？ 谢谢。

[Pbihao]

首先感谢你对我们工作的兴趣和提问，本人重新检查了开源的代码和您提出的问题，发现并没有您所说的出现代码和论文不一致的情况，猜测可能是您在阅读代码的时候，出现了错误理解和细节缺漏，还望您仔细检查一下实现细节 1.我们重写了attention模块，为了方便沿用了crosa的名字但详细细节可见 MaskMultiheadAttention.py 文件，我们重写了函数 2.详细细节可见HDMNet.py文件中训练过程中loss函数的计算，每一次for循环我们都会更新weight_t，所以是相邻的层，至于最后一层使用label我们在paper中有提及 3.BAM不是我们论文的创新点，但是在实验章节，我们说明了使用了和bam中一样ensemble模块为了比较公平，并且在消融表格部分我们也比较了ensemble模块对于我们模型的影响，这里的ems就是bam

至于剩下的几个问题，不知道题主是否是刚刚接触few shot这个领域，因为我们在实现细节部分有说明，这些都是follow之前工作的setting，所以没有做补充说明，这些细节都可以在其经典fewshot的领域论文中找到，如果全部解释，会非常冗余也并没有必要。

最后再次感谢您的问题和兴趣，也希望能帮助到其他读者。