可见红外行人重新识别 (VI-ReID) 是一个具有挑战性的跨模态行人检索问题。 由于较大的类内变化和具有大量样本噪声的跨模态差异，很难学习有区别的部分特征。 相反，现有的 VI-ReID 方法倾向于学习全局表示，这些表示具有有限的可识别性和对噪声图像的弱鲁棒性。 在本文中，我们通过挖掘 VI-ReID 的模态内部分级和跨模态图级上下文线索，提出了一种新颖的动态双注意力聚合 (DDAG) 学习方法。 我们提出了一个模态内加权部分注意模块，通过将领域知识强加于部分关系挖掘来提取区分原生部分聚合特征。 为了增强对嘈杂样本的鲁棒性，我们引入了跨模态图结构化注意力，以增强具有跨两种模态关系的上下文关系的表示。 我们还开发了一种无参数动态对偶聚合学习策略，以渐进式联合训练的方式自适应地集成这两个组件。 大量实验表明，DDAG 在各种设置下都优于最先进的方法。 关键词：人员重新识别，图注意，跨模态

基于最大池化的图双注意力网络计算机研究及应用.docx

，，，，包军，方志伟和路汉青 介绍 我们提出了一种双重注意网络（DANet），可以根据自我注意机制将局部特征与其全局依赖项进行自适应集成。 而且，我们在三个具有挑战性的场景分割数据集（即Cityscapes，PASCAL Context和COCO Stuff-10k数据集）上实现了最新的分割性能。 城市景观测试设置结果 我们仅使用精细的注释数据来训练DANet-101，并将测试结果提交给官方评估服务器。 更新 2020/9 ：更新代码，该代码支持Pytorch 1.4.0或更高版本！ 2020/8：新的TNNLS版本DRANet在Cityscapes测试集上达到 （在2019年8月提交结果），这是仅使用精细注释数据集和Resnet-101的最新技术性能。 该代码将在发布。 2020/7：在MMSegmentation上支持 ，其中，在Netscapeval set上，DANet的单比

matlab消去振铃代码DADIP_code 介绍 在图像去模糊的问题中，在严重模糊的图像中恢复细节一直很困难。 在本文中，我们着重于有效消除去毛刺后出现的振铃伪影和皱纹，并提出了一种基于双注意力深图像先验（DADIP）网络和二维（2D）模糊核估计的卷积神经网络的新型盲去污方法网络（CNN）。 在DADIP网络中，双重关注机制首先与挤压和激励网络（SENet）结合使用，大大提高了图像细节的恢复效果。 更重要的是，开发了通过CNN的2D模糊核估计方法来抑制图像的振铃伪影，该伪影大大优于以前的基于完全连接的网络的方法。 实验表明，与大多数现有方法相比，我们的去模糊方法具有更高的性能。 要求 Python 3.6，PyTorch> = 0.4 要求：opencv-python，tqdm GPU：彩色图像至少12GB 至少3GB的灰度图像 的MATLAB 数据集 网址： 密码：mqw39a 演示版

提出一种结合群体交互信息和个体运动信息的生成对抗网络GI-GAN。首先,利用编码层中的双向长短期记忆网络BiLSTM提取观测时段内所有行人自身的运动行为隐藏特征;其次,基于双注意力模块,计算与轨迹生成关联度较高的个体运动信息和群体交互信息;最后,利用生成对抗网络进行全局联合训练,获得反向传播误差和各层的合理网络参数,解码器利用已获取的上下文信息生成多条合理预测轨迹。实验表明,与S-GAN模型相比,GI-GAN模型的平均位移误差和绝对位移误差分别降低了8.8%和9.2%,并且预测轨迹具有更高的精度和合理多样性。