GAM ⠀ ⠀ 使用结构化注意的图分类的PyTorch实现（KDD 2018）。 抽象的 图分类是许多不同领域中实际应用中的问题。 为了解决这个问题，通常会计算某些图统计信息（即图特征），以帮助区分不同类别的图。 在计算此类特征时，大多数现有方法都会处理整个图形。 例如，在基于图的方法中，处理整个图以获得不同图或子图的总数。 但是，在许多实际应用中，图可能会嘈杂，仅在图的某些区域内会出现区分模式。 在这项工作中，我们研究了基于注意力的图分类问题。 注意的使用使我们可以专注于图表中较小但内容丰富的部分，从而避免在其余图表中产生干扰。 我们提出了一种新颖的RNN模型，称为图注意力模型（GAM），该模型通过自适应选择一系列“信息”节点来仅处理图的一部分。 在多个现实世界数据集上的实验结果表明，即使我们的方法仅局限于部分图形，该方法在图分类中也可以与各种众所周知的方法竞争。 该存储库提供了G

yolov5+diou-nms，骨干网络添加eca注意力，代码以及各种改进模型的实验数据，包含一个一万五千张的数据集，适合硕士论文以及毕业论文

基于注意力机制的新闻话题分类的源码

通过加入空间注意力机制进行单幅图像的去雨，去雾操作

用于目标检测的注意力导向上下文特征金字塔网络 该存储库在的基础上重新实现 。 请按照上的说明安装和使用此存储库。 此仓库发布了不带AM模块的，但与纸上pytorch的实现相比，我们可以获得更高的性能。 同样，由于有检测器的强大功能，此回购协议在训练和推理中速度更快。 CEM的实现非常简单，少于200行代码，但是它可以将FPN（resnet50）中的AP性能提高近3％ 。 交流FPN AC-FPN可以轻松插入现有的基于FPN的模型中并提高性能。 物体检测的可视化。 两种型号均基于基于COCO minival的ResNet-50。 使用（w）和不使用（w / o）我们的基于ResNet-50的模块在Mask CO-minival上进行Mask R-CNN的结果。 更多细节。 标杆管理 由于建议的体系结构，我们在大多数基于FPN的方法（尤其是大型对象）上均具有更好的性能。

在线学习每年都在Swift增长。 但是，有一些因素与传统的课堂学习方法不同。 在在线学习中，教师（主持人）无法一次监视每个学生（参与者），这在课堂学习中是可能的。 因此，难以识别学习者的注意力。 本文提出了一种深度学习方法，用于在边缘计算中使用卷积神经网络检测学习者的注意力水平。 另外，跟踪浏览器的活动以进一步识别学习者的注意力水平。 神经网络将学生的注意力分类为四个不同类别之一，即高度专心，专心，不太专心和至少专心。 此关注级别是在边缘设备上计算的，并且仅最终输出发送到服务器。 结果，消耗了少量的带宽并且尊重了用户的隐私。 使用“电子环境中的情感状态数据集”（DAiSEE）对CNN模型进行了训练。 在实验过程中，有效的系统精度达到了84.1％。

matlab代码影响对EEG单一试验和连接组进行分类 这是我于2019年8月5日至30日进行的项目的仓库。 __目标：使用机器学习工具（例如MNE库）对EEG任务相关的单项试验和功能连接进行分类。 理论：检查我的 原始数据：头皮脑电图数据-Biosemi-512 Hz-64电极-50位健康的人（.bdf） 任务：视觉空间注意任务（每个受试者每个主要状况约250次试验） 预处理数据（从EEGLAB到PYTHON） 对于ERP：在连续信号（Raw，.bdf）上闪烁并过滤假象，然后在ERPLAB / EEGLAB上进行分段（.set + .ftd） 对于wPLI：在连续信号上，应用SCD（Raw，.bdf），闪烁并过滤假象，选择14个电极，进行Beta和Gamma过滤，并进行Hilbert变换，并应用wPLI（.erp），然后进行10 ICA（connectomes）（。mat） ） 数据维度以纪元形式构建，以符合Python流程（最初为EEGLAB / MATLAB） 目标（1）随时代而定分为2个类：出席与否 言语上的问题：每个时期，作为电压信号（ERP）或特征权重（ICA），将成为两态分

财务情绪分析 进行实验以训练我自己的Word2vec嵌入，以便使用注意力模型进行转移学习。 （自然语言处理和深度学习）涉及对斯坦福问题解答数据集和迁移学习的实验。 这些实验背后的想法是将转移学习用于具有深度神经网络和注意力模型的无监督文本数据。 我训练有素的word2vec嵌入的代码将在以后添加库：Keras，python，pandas，nltk Tensorflow和一些sci-kit在这里和那里学习

Attention分享 周知瑞@研发中心, Jun 20, 2018 （一）深度学习中的直觉 3 X 1 and 1 X 3 代替 3 X 3 LSTM中的门设计 生成对抗网络 Attention机制的本质来自于人类视觉注意力机制。人们视觉在感知东西的时候一般不会是一个场景从到头看到尾每次全部都看，而往往是根据需求观察注意特定的一部分。而且当人们发现一个场景经常在某部分出现自己想观察的东西时，人们会进行学习在将来再出现类似场景时把注意力放到该部分上。： 将更多的注意力聚焦到有用的部分，Attention的本质就是加权。但值得注意的是，同一张图片，人在做不同任务的时候，注意力的权重分布应该是不同的。 基于以上的直觉，Attention可以用于： 学习权重分布： 这个加权可以是保留所有分量均做加权（即soft attention）；也可以是在分布中以某种采样策略选取部分分量（即hard att

作为自然语言处理领域的经典研究方向之一, 特定目标情感分析的任务是根据句子上下文语境判别特定目标的情感极性, 而提升该任务表现的重点在于如何更好地挖掘特定目标和句子上下文的语义表示. 本文提出融合短语特征的多注意力网络(Phrase-Enabled Multi-Attention Network, PEMAN), 通过引入短语级别语义特征, 构建多粒度特征融合的多注意力网络, 有效提高模型的表达能力. 在SemEval2014 Task4 Laptop、Restaurant数据集上的实验结果表明, 与基准模型相比, 本文提出的PEMAN模型在准确率上有一定提升.