STANet用于遥感图像变化检测 它是本文的实现：一种基于时空注意力的方法和一种用于遥感影像变化检测的新数据集。 在这里，我们提供了时空注意力神经网络（STANet）的pytorch实现，用于遥感图像变化检测。 变更记录 20210112： 添加PAM的预训练权重。 ，代码：2rja 20201105： 添加演示以快速入门。 添加更多的数据集加载器模式。 增强图像增强模块（裁剪和旋转）。 20200601： 第一次提交 先决条件 Windows或Linux Python 3.6+ CPU或NVIDIA GPU CUDA 9.0+ PyTorch> 1.0 视觉 安装 克隆此仓库： git clone https://github.com/justchenhao/STANet cd STANet 安装 1.0+和其他依赖项（例如，torchvision， 和 ）

壁画图像具有结构细节丰富,纹理复杂、色彩多变的特点,而基于卷积神经网络的图像超分辨率算法重建的壁画图像存在纹理模糊和边缘锯齿效应的问题。因此,提出了一种基于多尺度残差注意力网络的壁画图像超分辨率重建算法。首先,通过多尺度映射单元,用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征图输入残差通道注意力块,使网络从全局信息出发对各个特征图进行权值优化,增强网络模型的深度映射能力;最后,在网络末端引入亚像素卷积层,重新排列像素,得到重建的高分辨率壁画图像。实验结果表明,本算法可以减小重建误差,增强重建壁画图像的边缘及结构信息,使重建的壁画图像纹理细节更丰富。

人工智能-项目实践-情感分析-基于LSTM网络与自注意力机制对中文评论进行细粒度情感分析 题目介绍 该题目为《细粒度用户评论情感分析》，来源于“全球AI挑战赛”。https://challenger.ai/competition/fsauor2018 对于题目内容以及任务描述均可从该网站获取，这里不再赘述。 成绩 单个模型最好的F1指标为：75.04 整体20个模型的综合F1指标为：68 数据集 数据集由比赛平台提供。包含105000条训练样本以及15000条测试样本。 关于数据集的标注可以点击这里查看。

人工智能-图分类-自注意力-使用基于自注意力池化机制结合GCN模型实现图分类 所需环境： 1.torch:1.4.0 2.torch_scatter:2.0.3 3.scipy:1.4.1 数据集 1.DD:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/DD.zip 2.COX2:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/COX2.zip 3.BZR:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/BZR.zip 运行方式

采用注意力机制实现的中文聊天机器人（已上传模型，可直接运行）.zip 大学生课程设计 基于机器学习的课程设计 自己大二写的课程设计

各种注意力机制pytorch实现以及论文.zip 大学生课程设计 基于python的课程设计 自己大二写的课程设计

注意力机制KB-GAT.zip 大学生课程设计 基于机器学习的课程设计 自己大二写的课程设计

台大李宏毅21年机器学习课程 self-attention和transformer

【开发者开源大赛】明靓舒尔特方格儿童注意力训练器

明靓舒尔特方格儿童注意力训练器源码,因操作方法很简单,所以就不用详细说明操作方法了.看上图即可明白.