快速注意力选择计算及其在图像质量评价中的应用

针对现有的模拟视觉注意力选择模型计算复杂度高、参数选取困难的问题,提出一种快速的频率域算法.将各频点上的幅度设为同一常数,保留其相位信息;对反变换到空间域的图像滤波后,得到视觉注意力显著图,其效果与现有的模型相似;并将显著图信息作为权重加入到几种主要的图像质量评价标准中.实验结果表明:带有注意力选择的图像质量评价标准更接近于人的主观评价,便于实时应用.

关于视觉注意力选择的神经编码

本文提出了一种改进的注意力选择模型,在这个模型中,周边神经元代表初级视觉皮层的神经元,中心神经元代表更高级视觉皮层中的神经元.生理实验发现方向选择性是初级视觉皮层神经元的重要特性之一,所以模型除了考虑外部刺激的强度,也考虑了初级视觉皮层中的神经元的方向选择性.仿真结果显示改进后的模型能够选择具有不同方向选择性的目标,并且能从一个目标转移到另一个目标.和原模型相比,改进后的模型更符合生理背景.该模型的动力学分析结果,对于理解视觉神经系统的编码有一定的帮助.

基于连续模板的主动机器视觉注意力选择算法

提出了一种主动机器视觉系统的注意力选择算法。运用金字塔表示法解决了计算量问题,同时采用连续模板和突图融合上层信息,整合数据驱动和模型驱动两种驱动模式。并在实验平台上做了大量的跟踪实验,包括对人和物体在复杂场景下的基于本注意力选择算法的单目及双目跟踪。实验结果证明了算法的有效性和鲁棒性。

基于注意力选择与感觉容量的图像质量评价算法

图像质量评价是用可计算的模型模拟人的主观判断。根据人眼对图像高低频失真的感觉容量不同及注意力选择特性,本文提出一种新的图像质量评价算法。首先,将图像的高低频信号分别选用视觉显著图的系数和小波变换的近似系数表示;然后,采用不同方法分别计算图像高频和低频失真量,两种失真量的乘积就代表图像质量评价。这种客观评价算法与LIVE图库中DMOS的线性相关性达到0.906 4以上,明显优于PSNR和SSIM等算法。

基于注意力选择的局部特征匹配方法

为提高局部特征匹配性能,提出了基于人类注意力选择机制的特征匹配方法.通过局部特征的显著度分析,优先选择区域显著的特征进行匹配,利用可靠的匹配点对进行三角区域约束,实现区域内重复特征的精确匹配.实验结果表明,通过逐步缩小对应匹配搜索区域的方法抑制由相似特征引起的匹配歧义性,兼顾了高匹配精度和查全率.

自适应注意力选择与脉冲耦合神经网络相融合的沙漠车辆识别

针对现有车辆识别模型不适用于沙漠背景的不足,提出一种基于自适应四元数注意力选择模型与脉冲耦合神经网络相融合的车辆识别算法.首先建立自适应四元数注意力选择模型,将图像背景、颜色、亮度等多方面信息并行处理计算注意力显著图,并利用图像缩放与双线性插值提升计算效率;然后将显著图输入脉冲耦合神经网络,利用神经元脉冲传播特性提取感兴趣区域;最后提取区域尺度不变特征并结合多层分类回归树完成目标识别.实验结果表明,该算法计算时间短、区域提取完整、识别虚警率低;以分辨率0.6m×0.6m的沙漠图像为例,文中算法较形态学及支撑向量机算法识别率分别提升了5.8%和15.4%.

双注意力随机选择全局上下文细粒度识别网络

针对细粒度图像识别任务中易忽视微小潜在性特征且外观差异细微等问题,提出一种基于双注意力随机选择全局上下文细粒度识别网络。首先,使用ConvNeXt作为主干网络,提出双注意力随机选择模块,对不同阶段提取到的特征进行通道随机选择和空间随机选择,使网络能够关注到其他潜在微小判别性特征;其次,利用全局上下文注意力模块将深层特征的语义信息融合到中间层,增强中间层定位微小特征的能力;最后,提出一种多分支损失,对中间层、深层和拼接层特征引入分类损失,结合不同分支提取到的特征,诱导网络获得多样性的判别特征。所提网络在Stanford-cars、CUB-200-2011、FGVC-Aircraft 3个公开细粒度数据集和真实场景下车型数据集VMRURS上分别达到了95.2%、92.1%、94.0%和97.0%的识别准确率,其性能相比其他对比方法有较大幅度提升。

基于选择性坐标注意力的SAR图像舰船目标检测

针对SAR(Synthetic Aperture Radar)图像舰船目标检测结果虚警率和漏检率较高的问题,本文提出一种基于选择性坐标注意力机制的舰船目标检测算法.该算法以新的选择性坐标注意力机制为基础,首先通过不同卷积核的特征提取分支对舰船目标进行特征提取;然后融合所有分支的特征,并沿融合后特征的不同空间方向进行编码形成两个一维特征向量,以捕获空间方向上特征的位置信息;最后利用这一对方向和位置敏感的特征向量编码形成“门”机制,对各分支不同大小感受野提取的特征选择性地加权融合,以增强舰船目标的特征表示.本文以SSD(Single Shot MultiBox Detector)作为基础检测算法首先在SSDD(SAR Ship Detection Dataset)数据集上进行实验,实验结果表明,选择性坐标注意力机制相较于其他注意力机制能有效提升网络模型对舰船目标的检测能力,同时,基于选择性坐标注意力机制改进的SSD舰船目标检测算法平均检测精度达到了94.20%,较原SSD算法提升了4.45%.此外,通过在其他两个舰船数据集上的进一步测试,反映改进算法具有较好的泛化性,其综合性能优于其他对比目标检测算法.

基于兴奋-抑制交叉视觉皮质模型的V1区轮廓整合机制和注意力选择实现

本文旨在利用模仿生物神经细胞同步脉冲发放的交叉视觉皮质模型(ICM)对生物视觉系统的轮廓整合机制及注意力选择机制进行初步探索。将生物神经元"兴奋-抑制"振荡子的思想引入到ICM中,同时引入目标轮廓链码作为高层反馈控制输入,提出了拥有自底向上(BUTTON-UP)及自顶向下(TOP-DOWN)机制的兴奋-抑制交叉视觉皮质模型(EI-ICM)。仿真实验显示,本文提出的模型可有效抑制噪声使得光滑边缘同步发放,从而完成BOTTOM-UP过程;目标轮廓链码的引入可得到与输入目标链码一致的目标轮廓,而其它目标由于与输入目标链码不匹配,无法形成闭合轮廓,从而完成TOP-DOWN过程。结果表明本文提出的模型可模拟视觉皮层V1区轮廓整合及注意力选择机制。

带有遗忘的视觉记忆模型及其在注意力选择上的应用

在我们以前提出的注意力选择模型上,提出一个带有学习和遗忘的视觉记忆模型:遗忘增量多层分类回归树,来模拟人脑的长短期记忆.同时自监督竞争神经网络综合自下而上和自上而下的信息找到注意力的焦点,该网络各个神经元的连接权根据环境变化在线调整,从而实现整个网络的在线学习.实验证明,该模型能够模拟人的注意力转移,并能在变化的环境中,有意识地盯住感兴趣的物体.

大学生英语词汇学习选择性注意力调查与分析

对非英语专业本科生在词汇学习中的选择性注意力进行问卷调查,研究表明:对多层次的词汇知识,多数学生只注意词的中文对应词义,不注意其他层面的知识;对词汇知识学习做出这种选择的主要原因是生词太多、个人习惯和教学模式等;注意词汇细节学习的学生普遍归因于学习兴趣和个人习惯等。为此,建议教师在教学中调动学生的学习兴趣,增加词汇的直接教学,并且增加词汇知识的测试比例。

视觉的选择性注意力机制在振动信号处理中的应用研究

提出在进行振动信号处理时 ,将波形作为视觉对象 ,应用视觉的一些机制 ,以提高处理的效率和智能程度 ,合理分配计算资源 .着重对视觉的选择性注意力及侧抑制的基本机理、在振动信号处理过程中视觉机制的表现和应用进行了探索 .完成了对信号的阈值除噪、轮廓勾勒、瞬态振动特征信号片断的搜寻和拟合以及信号周期的简单识别 .通过与其他方法对比 ,所研究的方法较应用小波变换等提取阈值进行除噪的方法而言 ,计算明显简化 。

具有选择性局部注意力和前序信息解码器的代码生成模型

提出一种基于语法的代码生成模型,该模型具有选择性局部注意力和包含前序信息的长短期记忆(LSTM)神经网络解码器,通过更改上下文向量的计算范围,并在解码过程中融合更多的前序信息,增强单词之间的相关性。在Hearthstone和Django两个数据集上进行的代码生成实验证实了所提模型的有效性,与最新的模型相比,所提模型不仅表现出更出色的准确率和双语评估学习成绩,还可以使计算工作量最小化。

基于HardSoftmax的并行选择核注意力

注意力被广泛地运用在卷积神经网络中,并有效地提升了卷积神经网络的性能。同时,注意力是非常轻量的,且几乎不需要改变卷积神经网络原来的架构。提出了基于HardSoftmax的并行选择核注意力。针对Softmax包含指数运算,对于较大的正输入很容易发生计算溢出的问题,提出了计算更安全的HardSoftmax来替换Softmax。不同于选择核注意力将全局特征的提取和转换放在特征融合之后,并行选择核注意力将全局特征的提取和转换单独放在一个分支,与具有不同核大小的多个分支构成并行结构。同时,并行选择核注意力的全局特征转换使用分组卷积,进一步减少参数量和计算量。并行选择核注意力通过HardSoftmax注意来关注不同核大小的多个分支。一系列的图像分类实验表明,只是简单地用HardSoftmax替换Softmax,也能保持或提升原注意力的性能。HardSoftmax的运行速度在实验中也比Softmax更快速。并行选择核注意力能够以更少的参数量和计算量追平或超越选择核注意力。

高中数学课堂中如何培养学生选择性注意力

苏霍姆林斯基曾经说：＂掌握学生的注意力,是教师工作中最细致的而且研究得还很不充分的领域之一.要掌握注意力,就应当深刻地了解儿童的心理和他们的年龄特点.＂当下99%高中生因为各种情绪的困扰、人际关系的困扰、自我认可的困扰、学习目标的困扰、爱情的烦恼等,经常上课注意力不集中,开小差,严重影响课堂学习的效果.作为教师,如何在课堂中完成培养学生区别重要信息和次要信息的能力显得尤为重要.本文作者在此就高中数学课堂中如何培养学生的选择性注意力,略作论述.

运动情境中的决策和选择的神经机制研究

在运动情境中,运动决策与选择非常重要。运动技能的学习和掌握、运动成绩的稳定和提高、运动表现的发挥和优异,都与运动决策和选择息息相关。该文从神经生理机制入手,深入分析运动实践过程中,运动参与者运动决策与选择的神经生理效应。该研究发现:大脑颞叶、额叶和顶叶联合皮层在运动情境中的视觉搜寻、注意力抉择、运动策略制定和冲突解决等方面协调发展。此外,这部分脑区还联合基底神经节—丘脑—运动皮层等进行运动控制和运动指令的执行,这是运动情境中人脑的决策与选择的最独特机制。增强运动参与者的运动决策与选择训练,对大脑重塑会产生一定的影响。如何设计、开发和实施具有真实的运动决策和追踪任务的运动课程,需要相关人员的积极思考与推进。未来研究者应综合应用多种方法和技术,针对不同运动项目的特征设计研发运动训练、决策及测评系统,同时结合自我报告、认知行为学以及神经科学等方面对运动、训练和比赛效果进行评价和反馈。

联合自适应核和Transformer的脊柱磁共振成像多类别分割网络

针对脊柱磁共振成像(magnetic resonance imaging,MRI)结构复杂,存在多余组织、噪声及伪像的问题,本研究设计了一种联合自适应核和Transformer的脊柱MRI实例多类别分割网络。以Swin Transformer作为骨干网络,通过引入稠密连接模块减少前向通道的信息丢失,以更好地捕获图像中的细节和局部信息。同时,为进一步捕获复杂空间的多尺度特征,采取自注意力核选择的方式构建跨尺度稠密连接,使模型在训练过程中能自适应学习到合适的卷积核尺寸,提高模型对不同尺度信息的感知能力,提高分割性能。通过在215例受试者的T2加权MRI图像2D切片上进行验证,实验结果显示,该算法的平均交并比(mean intersection over union,mIoU)、平均召回率(mean recall rate,mRecall)和平均骰子系数(mean dice coefficient,mDice)分别为82.63%、89.37%和88.85%。结果表明,本研究算法的分割性能较好,可实现脊柱MRI中椎体及椎间盘的精准分割,为临床医生提供辅助诊断工具。

基于情感增强和语义依存的金融隐式情感分析模型

金融情感分析是一种判断金融文本的情感倾向性的技术,广泛应用于舆情分析和监管协调等方面。由于金融领域文本中包含隐式情感信息,难以根据情感特征直接判定情感极性。针对这一问题,提出一种基于情感增强和语义依存的金融隐式情感分析模型(FSED),以期提高分类的准确率。首先,采用FinBERT生成词向量,并输入到Bi-GRU提取上下文语义信息,通过嵌入积极和消极情感词向量构建两极注意力机制,用于分别提取2种语境下的情感特征向量;然后,根据文本的语义依存图建立依存关系和关系类型矩阵,结合2种矩阵和top-k策略构建选择注意力矩阵,再输入到图卷积网络来提取文本的语义依存特征;最后,融合情感增强和语义依存的特征,并使用平均池化和最大池化层对特征进行压缩,经全连接层和Softmax获得分类结果。实验结果表明,相较于A-GCN,FSED可以提升金融领域隐式情感分析的准确率。

改进YOLOv8的织物疵点检测算法

针对传统织物疵点检测方法耗时耗力,主流检测模型速度慢或精度低的问题,改进了YOLOv8模型,旨在提高织物疵点检测的性能。选择性注意力模块(LSKBlock)融入YOLOv8主干网络,使模型自动学习并决定哪些信息值得关注与处理,优化模型对相关信息的处理效果;在颈部将卷积层替换为可变形卷积(DCN),加强网络感知目标形变的能力,进一步提升网络的特征提取和定位能力;另外通过设计一种轻量型范式(Slimneck),提高模型精度并降低复杂度。在TILDA和织物疵点数据集上进行性能评估,结果显示,改进的YOLOv8模型在两个数据集上的mAP分别达到88.6%和92.7%,相较原模型提高了4.1和4.0个百分点,且检测速度满足实际生产中的要求。

机器人的视觉选择交互系统的设计与实践

注意力视觉是机器人视觉领域的研究热点之一,对机器人智能化发展具有积极意义。为提高机器人交互的自然性,构建了一个基于仿人机器人的注意力视觉选择交互系统。使用图像分割将图像分解为多个特征通道,提取亮度、颜色和方向等多个维度的特征;对不同维度进行多尺度采样,构造高斯金字塔,通过中央——周边差操作提取初级特征图,应用图像融合算法将不同维度的多幅特征图合并得到显著图,通过与低级特征的对比计算位置概率分布偏置,并进行双向加权融合,确定目标位置;设计交互语意实现自然交互。