在人类中，注意力是所有感知和认知操作的核心属性。考虑到我们处理竞争性信息来源的能力有限，注意力机制选择、调整和关注与行为最相关的信息。

定向注意力集合，用于准确的面部表情识别-main.pdf

B站讲解视频的PPT https://www.bilibili.com/video/BV1SA41147uA/

这是发表在SCI期刊的残差注意力图像融合论文及源码。下载解压后直接运行。

汇总了自Non-local和SENet之后的十几篇发表于CVPR/ICCV的经典的注意力方法，包括cbam、a2net、psanet、danet、apcnet、sknet、ccnet、gcnet、annnet、ocrnet、sanet、ecanet

Implementations for a whole family of attention-mechanisms, tailored for many-to-one sequence tasks and compatible with TensorFlow 2.0 with Keras integration.

提供详细的注意力模型的python程序，并提供具体实例验证

情绪分析 总览 情感分析是一种自然语言处理（NLP）任务，其目的是评估文本块的极性/情感。 根据定义，广泛用于客户关系管理（CRM）的环境中，用于自动评估评论和调查回复以及社交媒体。 情绪分析中常见的子任务是： 消息极性分类：给定一条消息，对消息的整体上下文极性进行分类是正面，负面还是中性。 基于主题或基于实体的消息极性分类：给定消息和主题或实体，将消息按该主题或实体分类。 SemEval（国际语义评估研讨会）是一个流行的，专门负责情感分析任务的研讨会。 有关此类任务（任务4）的最新年度（2017年）概述，请访问： : 。 该项目当前仅针对“消息极性分类”子任务。 该存储库包含：

实时目标检测算法YOLOv3的检测速度较快且精度良好，但存在边界框定位不够精确、难以区分重叠物体等不足。提出了Attention-YOLO算法，该算法借鉴了基于项的注意力机制，将通道注意力及空间注意力机制加入特征提取网络之中，使用经过筛选加权的特征向量来替换原有的特征向量进行残差融合，同时添加二阶项来减少融合过程中的信息损失并加速模型收敛。通过在COCO和PASCAL VOC数据集上的实验表明，该算法有效降低了边界框的定位误差并提升了检测精度。相比YOLOv3算法在COCO测试集上的mAP@IoU[0.5：0.95]提升了最高2.5 mAP，在PASCAL VOC 2007测试集上达到了最高81.9 mAP。

总结文档