基于自注意力机制的深度学习的海洋三维温度场预测

目前主要从时空角度出发对海洋三维温度场进行预测,却忽略了相邻位置的海温相关关系。为弥补这一不足,构建一种融合了自注意力记忆模块与卷积式长短时记忆神经网络(ConvLSTM)模型的SA-ConvLSTM三维温度场预测模型,不仅可以从历史三维温度场中提取海温时空特征,还能获取并记忆相邻点位置信息,从而实现对三维温度场时空变化的把握。实验结果表明:相较于ConvLSTM模型,SA-ConvLSTM模型在滑动预测与多步长递归预测实验下的均方根误差和平均绝对误差提升约14%,且整体预测效果均优于基线模型、长短时记忆神经网络模型和ConvLSTM模型。

基于3D多尺度卷积的非接触心率估计模型

为了在真实环境下实现更准确的非接触式心率(HR)估计,提出一种远程光电容积描记术(rPPG)和HR信号恢复任务的端到端时空卷积神经网络(CNN)模型。模型使用3D多尺度卷积注意力获取多尺度特征并融合上下文信息。其次引入自注意力卷积长短期记忆(SA-ConvLSTM)提取具有全局依赖和局部依赖的时间空间特征。最后,根据rPPG和HR信号的强关联性,使用多任务学习方法来提高模型性能。在公开的UBFC-rPPG和COHFACE数据集上进行实验测试,结果表明:提出的网络模型在非接触式HR提取中具有更好鲁棒性。