Pytorch 实现注意力机制

手写体中文的自动识别在文档数字化、手写笔记转录等方面有广泛应用。针对其具有的书写随意、结构复杂、数目众多等特点,提出了一种基于注意力机制的手写体中文识别方法。在卷积神经网络(CNN)模型的基础上,搭建

随着视频技术的飞速发展,越来越多的视频应用逐步进入人们的生活中,因此对视频质量的研究很有意义。基于卷积神经网络和循环神经网络强大的特征提取能力并结合注意力机制,提出一种无参考视频质量评价算法。该算法首

空对地环境下成像视角单一,且需要依靠深层网络提供强特征表达能力。针对深层网络存在的计算量大、收敛速度慢等问题,在稠密连接网络(DenseNet)框架下,提出了一种用通道差异化表示的目标检测网络模型。首

人群密度估计对于人流监控与人群安全具有重要意义。针对现有算法主要通过不同尺度感受野来学习特征,而无法高效利用多尺度特征的问题,文中设计了一个基于通道域注意力机制的特征融合模块。该模块可以在训练模型时学

针对基于深度学习的传统方法对于次显著细节信息关注不足的问题,提出一种基于多尺度注意力机制的多分支网络来统筹图像的显著信息及次显著信息。首先,将多尺度特征融合方法(MSFF)与注意力机制相结合,设计了一

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

传统基于项目的协同过滤算法在计算项目之间相似度时只考虑历史项目的评分，而忽略了历史项目偏好对其的影响，以至于推荐精度不够理想。针对此问题，提出了一种融合注意力机制的深度电影推荐算法。根据得到的隐性反馈

基于分层注意力机制的知识图谱问答方法，郎爽，朱署光，知识图谱问答能够根据知识图谱中的结构化知识回答自然语言问题。由于自然语言与结构化查询难以直接对应，该映射过程成为知识图谱

yolov5-6.1-SE-block.zip是yolov5的一个更新版本，添加了SE注意力机制以提高检测准确率。您可以从官方源项目地址 https://github.com/ultralytics/

yolov5-6.1-CBAM.zip是一个已经升级了CBAM注意力机制的yolov5版本。您可以在官方源项目地址https：//github.com/ultralytics/yolov5中找到该项目