针对脑电信号的注意力识别精度问题，本文应用深度森林的算法进行仿真研究。首先对原始脑电信号通过小波分析进行预处理去噪，然后采用深度森林的方法进行分类识别。实验分别对6位受试者在注意和非注意两种状态下的脑电信号进行分析，结果表明，对注意力状态识别的准确率达到了95%以上，同时对通用数据库中清醒和睡眠两种状态下的脑电数据进行识别，也取得了较高的识别率，结果证明了该算法对脑电信号注意力识别的准确率是可靠的。

传统的推荐系统存在数据高度稀疏、冷启动及用户偏好建模难等问题，而把情境信息融入推荐系统中能有效缓解此类问题.深度学习技术已经成为人工智能领域研究热点，把深度学习应用在情境感知推荐系统当中，为推荐领域的研究带来新的机遇与挑战.本文从情境感知推荐系统相关概念出发，综合整理国内外研究相关文献，介绍深度学习技术融入情境感知推荐系统相关应用模型，提出了基于深度学习的情境感知推荐系统研究的不足以及对未来的展望.

sagan-pytorch PyTorch中的自我注意生成对抗网络（SAGAN， //arxiv.org/abs/1805.08318） 用法： python train.py路径 输入目录的结构应如下所示（与torchvision.datasets.ImageFolder一样）： 路径/类1 路径/类2 ... 评估FID分数的代码来自 笔记 来自DCGAN生成器的样本（无残留连接）以120k迭代。 似乎模型大小不足。 FID约为120。此模型折叠后。 来自ResNet生成器290k迭代的样本。 FID约为64.8。 用于生成器与鉴别器的不平衡学习计划，即1：5更新计划。 样本质量似乎有所提高，可能是因为增加了模型大小和更稳定的学习进度。 具有1：1更新时间表的火车Resnet模型既困难又不稳定。

随着视频技术的飞速发展,越来越多的视频应用逐步进入人们的生活中,因此对视频质量的研究很有意义。基于卷积神经网络和循环神经网络强大的特征提取能力并结合注意力机制,提出一种无参考视频质量评价算法。该算法首先利用VGG(Visual Geometry Group)网络提取失真视频的空域特征,然后利用循环神经网络提取失真视频的时域特征,引入注意力机制对视频的空时特征进行重要度计算,根据重要度得到视频的整体特征,最后通过全连接层回归得到视频质量的评价分数。在3个公开视频数据库上的实验结果表明,预测结果与人类主观质量评分具有较好的一致性,与最新的视频质量评价算法相比具有更好的性能。

针对全卷积孪生(SiamFC)网络算法在相似目标共存和目标外观发生显著变化时跟踪失败的问题,提出一种基于注意力机制的在线自适应孪生网络跟踪算法(AAM-Siam)来增强网络模型的判别能力,实现在线学习目标外观变化并抑制背景。首先,分别在模板分支和搜索分支中加入前一帧跟踪所得到的结果,弥补网络在应对目标外观变化的不足;然后通过在孪生网络中加入空间注意力模块和通道注意力模块实现不同帧之间的特征融合,从而在线学习目标形变并抑制背景,进一步提升模型的特征表达能力;最后,在OTB和VOT2016跟踪基准库上进行实验。实验结果表明,本文算法在OTB50数据集上的精确度和平均成功率比基础算法SiamFC分别高出了4.3个百分点和3.6个百分点。

可见红外行人重新识别 (VI-ReID) 是一个具有挑战性的跨模态行人检索问题。 由于较大的类内变化和具有大量样本噪声的跨模态差异，很难学习有区别的部分特征。 相反，现有的 VI-ReID 方法倾向于学习全局表示，这些表示具有有限的可识别性和对噪声图像的弱鲁棒性。 在本文中，我们通过挖掘 VI-ReID 的模态内部分级和跨模态图级上下文线索，提出了一种新颖的动态双注意力聚合 (DDAG) 学习方法。 我们提出了一个模态内加权部分注意模块，通过将领域知识强加于部分关系挖掘来提取区分原生部分聚合特征。 为了增强对嘈杂样本的鲁棒性，我们引入了跨模态图结构化注意力，以增强具有跨两种模态关系的上下文关系的表示。 我们还开发了一种无参数动态对偶聚合学习策略，以渐进式联合训练的方式自适应地集成这两个组件。 大量实验表明，DDAG 在各种设置下都优于最先进的方法。 关键词：人员重新识别，图注意，跨模态

注意是一种认知和心理生物学变量，在正式学习的自然环境中缺乏客观的衡量标准。 但是，可以从心脏自主神经活动客观地进行测量。 在本研究中，证明了记录心率变异性的系统的有效性和可靠性。 创建了十二个原型，并与标准心电图配对。 在十分钟内使用了带有心搏脉冲记录的长段。 获得了高度显着的相关指数（p <0.01）和显着高的克朗巴赫α。 在方差分析中，所有分析的数据均显示为p <0.05。 结论是，成对系统之间没有显着差异。 因此，基于心率变异性的注意力检测系统是有效且可靠的。

注意力机制使用；卷积神经网络的变体keras实现

提高幼儿学习注意力.doc

针对社交网络数据的文本情感分析，目前常用的研究方法主要是基于传统机器学习算法，根据手工标注好的情感词典，对文本信息使用朴素贝叶斯、支持向量机、最大熵方法等机器学习算法进行情感分析。为了避免对手工方式建立的情感词典的依赖，减少机器学习过程中的人工干预，提出基于卷积神经网络和注意力模型相结合的方法进行文本情感分析。实验表明，根据准确率、召回率和F1测度等衡量指标，提出的方法较传统的机器学习方法和单纯的卷积神经网络方法有明显的提高。