MATLAB实现TPA-BiLSTM时间注意力机制双向长短期记忆神经网络时间序列预测（完整源码和数据） 数据为多变量时间序列数据，多输入单输出 运行环境MATLAB2020b及以上，运行主程序TPAMain即可。

CBAM: Convolutional Block Attention Module，CBAM是2018年ECCV上的一篇论文CBAM: Convolutional Block Attention Module中提出的基于注意力机制的卷积网络模型。BAM是2018年BMVC上的一篇论文BAM: Bottleneck Attention Module中提出的基于注意力机制的网络模型。 CBAM网络的核心思想是提出了CBAM模块。该模块对输入先经过通道注意力模块，和输入相乘后再经过空间注意力模块，和输入再次相乘后得到调整参数的注意力特征图

Gobal Attention的目的：是为了在生成上下文向量（也可以认为是句向量）时将所有的hidden state都考虑进去。Attention机制认为每个单词在一句话中的重要程度是不一样的，通过学习得到一句话中每个单词的权重。即为关注重要特征，忽略无关特征。 本代码采样keras2.2.4\tensorflow1.12进行实现的。

自然语言处理，对文本进行分类，也适用于恶意代码API函数序列分类

WOA+BILSTM+注意力机制电力系统短期负荷预测 python tensorflow2.x运行环境 numpy pandas sklearn 包含负荷数据 bp神经网络 lstm bilstm WOA+bilstm+lstm+bp优化的预测结果图 以及各预测结果与真实值的对比图

双通道注意力机制驾驶员异常行为检测研究，yolov3，超级详细

注意力机制情况下 手写字体的识别

SSD 算法利用多尺度特征图进行分类和位置回归，检测小目标效果优于 YOLO 算法，但 SSD 算法在进行车辆检测时存在漏检问题。为此，提出一种改进 SSD 算法。为提取更多的车辆特征信息，设计改进 Inception 模块替代 SSD 网络中的 Conv8、Conv9 和 Conv10 层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合，构建多尺度特征融合均衡化网络，提高小目标车辆识别率。在特征提取层均引入 SENet，对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明，改进后 SSD 算法在自制的车辆数据集上平均精度为 90.89%，检测速度达到 59.42 frame/s，相比改进前的 SSD 算法，在精度和速度上分别提高 2.65 个百分点和 17.41 frame/s，能够更快速、准确地对图像中的车辆进行识别和定位。

海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。 使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。 为此,在标准的SSD( single shot multiBox detector)目标检测模型基础上,结合 Xception 深度可分卷积,提出一种轻量 SSD 模型用于海面目标检测。 方法 在标准的 SSD 目标检测模型基础上,使用基于 Xception 网络的深度可分卷积特征提取网络网络中的 exit flow 层和 Conv1 层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量 SSD 目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。

回归预测 | MATLAB实现TPA-LSTM(时间注意力注意力机制长短期记忆神经网络)多输入单输出（完整源码和数据） 多输入单输出,运行环境MATLAB2020b及以上，运行主文件TPAMain.m即可。