songscsc

CoTAttention网络是一种用于多模态场景下的视觉问答（Visual Question Answering，VQA）任务的神经网络模型。它是在经典的注意力机制

简介 在轻量级网络上的研究表明，通道注意力会给模型带来比较显著的性能提升，但是通道注意力通常会忽略对生成空间选择性注意力图非常重要的位置信息。

CloAttention来自清华大学的团队提出的一篇论文CloFormer，作者从频域编码的角度认为现有的轻量级视觉Transformer中，大多数方法都只关注设计稀疏注意力，来有效地处理低频全局信息

A2Attention的核心思想是首先将整个空间的关键特征收集到一个紧凑的集合中，然后自适应地将其分布到每个位置，这样后续的卷积层即使没有很大的接收域也可以感知整个空间的特征

ECA-Net（Efficient Channel Attention Network）是一种用于计算机视觉任务的注意力模型，旨在增强神经网络对图像特征的建模能力。

BAM（Bottleneck Attention Module）是一种用于计算机视觉领域的深度学习模型结构，它旨在提高神经网络对图像的特征提取和感受野处理能力。

CBAM（Convolutional Block Attention Module）是一种深度学习领域的注意力机制，旨在增强卷积神经网络对图像特征的建模和表示能力。

基于YOLOv8模型暗夜下人脸目标检测系统可用于日常生活中检测与定位黑夜下人脸目标，利用深度学习算法可实现图片、视频、摄像头等方式的目标检测，另外本系统还支持图片、视频等格式的结果可视化与结果导出

SENet（Squeeze-and-Excitation Network）是一种革命性的深度卷积神经网络架构，旨在提高模型对图像特征的建模能力。它引入了自适应特征重新校准机制