期望中断效应的注意共享解释—来自ERP的证据

以1700毫秒和2300毫秒为考察时距,采用时距复制任务,对编码阶段的中断位置进行操纵,并记录了14名大学生在进行时距复制任务时编码阶段的事件相关电位(ERP)。行为结果发现:分别就1700毫秒和2300毫秒而言,中断位置越靠后,复制时距越短。脑电结果发现:无中断条件的(控制任务1)编码阶段在350～550毫秒和350～1150毫秒的CNV平均波幅分别较中断位置为550毫秒的条件和中断位置为1150毫秒条件显著更高;无中断条件的(控制任务2)编码阶段在350～750毫秒和350～1550毫秒的CNV平均波幅分别较中断位置为750毫秒的条件和中断位置为1550毫秒条件显著更高。这说明了间断编码的时间复制任务中存在期望中断效应且以注意共享机制解释期望中断效应得到了电生理学证据的直接支持。

基于多尺度聚合和共享注意力的注视估计模型

注视估计是从人脸图像中估计3D注视方向的方法,其中与注视直接相关的眼睛细节信息在人脸图像中集中且对注视估计具有显著影响。然而现有的注视估计模型忽略了小尺度的眼睛细节,且容易被图像特征中与注视无关的信息淹没。为此,提出一种基于多尺度聚合和共享注意力的模型以增强特征的表达能力。首先,使用分流自注意力聚合图像中不同尺度的眼睛和人脸信息,并引导模型学习不同尺度对象之间的相关性,以此处理模型对图像中眼睛细节的遗漏问题;其次,通过建立共享注意力来捕获图像之间的共享特征,减少对注视无关特征的关注;最后,结合多尺度聚合和共享注意力,进一步提高注视估计的精度。在公开数据集MPIIFaceGaze、Gaze360、Gaze360_Processed和GAFA-Head上,所提模型的平均角度误差比GazeTR(Gaze TRansformer)降低了5.74%、4.09%、4.82%和10.55%。在Gaze360背对相机的困难图像上,所提模型的平均角度误差比GazeTR降低了4.70%。实验结果表明,所提模型能有效聚合多尺度的注视信息和共享注意力,提高注视估计的准确性和鲁棒性。

利用全局与局部帧级特征进行基于共享注意力的视频问答

视频问答是视觉理解领域中非常重要且具有挑战性的任务。目前的视觉问答(VQA)方法主要关注单个静态图片的问答,而现实生活中的数据是立体动态的视频。此外,由于问题的复杂性,视频问答任务必须根据问答问题恰当地处理多种视觉特征才能获得高质量的答案。文中提出了一个通过利用局部和全局帧级别的视觉信息来进行视频问答的多共享注意力网络。具体来说,以不同帧率提取视频帧,并以此提取帧级的全局与局部视觉特征,这两种特征包含了多个帧级别特征,用于对视频时间动态建模,再以共享注意力的形式建模全局与局部视觉特征的相关性,然后结合文本问题来推断答案。在天池视频问答数据集上进行了大量的实验,验证了所提方法的有效性。

潜在成长模式应用研究--舞动治疗对自闭症儿童共享式注意力的影响

本研究采用纵贯研究的方法,探讨自闭症儿童在接受舞动治疗后,其共享式注意力的变化。由于目前多数纵贯研究采取重复量数的ANOVA或MANOVA的方法来分析资料,这些统计方法无法提供个体改变轨线,也无法进行与变化轨线关联因素的探讨。因此,本研究使用潜在成长模式进行资料分析,以了解舞动治疗对自闭症儿童共享式注意力的影响。研究结果显示:本研究提出的潜在成长模式与观察资料的整体适配度理想,GFI为0.94,CFI为0.98,RMSEA则为0.045;自闭症儿童共享式注意力随舞动治疗干预时间的增加呈显著的正向变化。

共享注意力感知与直播观众参与度的关系探究——以2022年4月21日刘畊宏直播为例

随着网络技术发展壮大,用户虽相隔千万里,却可以通过社交媒体不断与他人共享注意力。其中,直播观众通过直播页面的内容以及主播的话语感受到的共享注意力被前所未有地扩大。笔者基于共享注意力的概念,以刘畊宏在2022年4月21日开展的直播为研究对象,采用内容分析法探讨共享注意力、直播说服力与直播参与度三者之间的关系。结果表明,主播的话术有助于提升观众共享注意力的感知,进而提高主播言语的说服力,引导观众产生直播互动行为。

球类运动对孤独症幼儿共享式注意力唤醒的个案研究

共享式注意力是群体活动的基本技能之一,其发展良好与否决定人的一系列社群行为发育,在人的社会化过程中起决定性作用。然而,作为团体运动项目之一,球类运动对注意力有所要求的,呈现越多人参与,注意力集中度需越高的特点。本研究尝试通过结合幼儿的动作发展规律,设计适应性球类运动,对孤独症幼儿进行干预,论证球类运动在学前孤独症幼儿的共享式注意力的影响。结果发现:在为期一学期的球类运动干预下,孤独症幼儿的共享式注意力有所提升,主要表现在日常生活中出现同伴跟随和社交倾向等行为,同时产生15秒以上的视觉跟踪移动。

基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断

针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法。首先,为充分发挥卷积神经网络(convolutional neural networks, CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform, CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maximum mean discrepancy, LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析。结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93%以上,相比于传统CNN模型具有较好的泛化性、鲁棒性。

基于双流学习框架的红外小目标检测研究

为解决由于目标尺寸小、背景复杂等因素导致红外小目标检测精度难以提高的问题,提出一种基于双流学习框架红外小目标检测方法。将分割网络用于小目标检测,并将超分辨率任务作为辅助手段,引入共享特征注意力机制(SFAM),解决特征融合和迭代中的特征损失问题。通过在公共数据集上进行了4种不同场景的广泛实验,并以0.835的精度优于其他方法。同时,消融研究也证实了SFAM的重要性和可行性。