Tensorflow 2 DA-RNN 的Tensorflow 2（Keras）实现， 论文： : 安装 pip install da-rnn 用法 from da_rnn import ( DARNN ) model = DARNN ( 10 , 64 , 64 ) y_hat = model ( inputs ) Python Docstring符号 在此项目的方法的文档字符串中，我们具有以下表示法约定： variable_{subscript}__{superscript} 例如： y_T__i表示 ，在时间T第i个预测值。 alpha_t__k表示 ，注意权重在时间t测量第k个输入特征（驾驶序列）的重要性。 DARNN（T，m，p，y_dim = 1） 以下（超级）参数的命名与本文一致，但本文未提及的y_dim除外。 T int窗口的长度（时间步长） m in

培养良好的注意力、观察力、记忆力、思维能力

论文讲解：https://blog.csdn.net/qq_33302004/article/details/114441024

近年来，随着ios和android系统对于动效设计的带动效应，多数产品对于动效设计也越来越重视，从app引导页到动作反馈，从官网介绍到hover效果，动效设计似乎已经成为一个成功产品的标配。但是动效也不是越绚丽越好，过于绚丽的动效对于我们的设计目标来说也许会适得其反，用户可能只关注到了动效本身，而没有精力或时间去关注动效要传达的信息，而如何把握这个度，本文会从以下几个方面来讲。从看到一个页面的瞬间开始，如果在展示面积相同的情况下，用户的注意力会按照一个特定的顺序依次被吸引：动态>颜色>形状。简单来说，当用户打开一个界面，注意力首先会被动态的物体吸引，当动态静止或者是个很有规律的动态时，注意力会

基于人眼视觉系统的双目立体视频注意力模型研究

持续注意力相关脑电图的多通道线性描述符分析

基于注意力的递归时间受限玻尔兹曼机用于雷达高分辨率测距剖面序列识别

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂度。

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。

基于视觉注意力模型的大规模高分辨率遥感影像的矿区识别