注意规律在课堂教学中的运用

注意是人心理过程的动力特征之一,是学生学好知识、掌握技能、完成各种智力和实际操作的心理条件.根据一定的标准,可把注意分成有意和无意两种,两种注意的发生和保持,以及在课堂上的作用不尽相同.教师应充分理解和运用注意的作用和相互转换规律,充分发挥教师的主导作用,力争始终吸引学生的注意力,真正达到高效率的课堂教学,并且使学生身心轻松、愉快地学习.     

高度安全性——奥运会安全

在当今社会，全球体育盛会和文化大事——奥运会——需要高水平的安全来保证其安全举行：主办城市最不想看到的东西就是大型事故，它可以转移人们关注世界级体育比赛的注意力。     

典型交通事故分析

片刻的大意往往令驾驶员错过处理情况的最佳时机，而每个人的应急反应又大相径庭，是侥幸躲过一劫还是失控造成不可想象的后果？最好还是集中注意力驾驶，不要将自己处于危险的抉择中。     

两支舰队的故事——俄罗斯人眼中的美苏1973年地中海对峙（下）

大约30年前，美苏之间曾发生过一次冷战期间最为严重的海上对抗事件。这次危机发生于美国海军将其战略注意力连续数年集中于越战的时期，见证了此前10年未在地中海部署海军力量的苏联如何充分利用美国在政治、战略和战术方面的弱点。实际上，这次对美国构成的实质性海上挑战，是由苏联这样一个传统上几乎完全实行海岸防御战略的国家所发起的。美国当前实施的多场全球反恐战争，可能会使美国海军对其争夺制海权的核心使命有所淡化。当年两个超级大国之间那场几乎被人遗忘的严重危机将提醒美国海军，海上冲突可能随时发生。地中海危机显示的情况表明，美国的对手即使是在面临严重局限性(甚至是在美国保持其传统海上优势)时，仍具备局部的海上拦截能力。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

凯迪拉克CTS

不知是CTS借助《黑客帝国》一举成名，还是这部大片因为这辆车子而添彩，总之，路人对CTS的认知率之高令我们吃惊。车流中的CTS绝对是注意力的焦点，众多的目光里有惊讶，有探询，更多的则是赞叹。     

基于生成对抗网络的船舶航迹预测模型

为提高复杂交通局面下的船舶航迹预测精度,提岀一种基于生成对抗网络的船舶航行轨迹预测模型(Gen-erative Adversarial Networks with Attention and Interaction,GAN-AI)对多艘船舶轨迹同时进行预测.通过编码器对船舶轨迹时空序列进行编码,设计交互模块对多艘会遇船...     

交通场景中基于注意力机制神经网络的人群计数

人群计数是计算机视觉领域的重要任务。交通场景中的人群计数任务对于维护公众出行安全、实现交通智能化具有重要作用。公共交通场景中通常存在行人相互遮挡、背景复杂等现象,给人群计数带来了困难。为了实现高精度的人群计数,研究了基于注意力机制的人群密度估计网络。网络包含3个部分：特征提取模块通过生成多尺度的特征图,增强网络的特征表达能力,提高网络对行人大小变化的鲁棒性;注意力模块通过抑制背景噪声响应,强化人群特征响应,生成特征图中人群区域的概率分布,增强网络区分人群区域与背景区域的能力;密度估计模块在注意力机制的约束下指导网络回归高分辨率的人群密度图,提高网络对人群区域的敏感性。设计了基于背景感知的结构损失函数,能够降低模型的错误识别率,提高模型的计数准确率;采用多级监督机制指导网络进行学习,能够帮助梯度反向传播和减少过度拟合,进一步提高网络的人群计数精度。在公共数据集ShanghaiTech上进行了实验,实验结果表明：与目前最先进的算法相比,在ShanghaiTechA和ShanghaiTechB数据集上,平均绝对误差（mean absolute error,MAE）分别提高了2.4%和1.5%...     

动态

博世研发出一款结合摄像头和人工智能的新型车内监控系统睡眠不足、注意力分散、安全带未系等情况都可能会对驾乘人员人身安全造成严重后果。为避免危险驾驶及可能导致的道路交通事故,未来的车辆传感器不仅需要感知外部路况信息,而且需要实时关注驾乘人员状态。为此,博世已经研发出一款结合摄像头和人工智能的新型车内监控系统。博世集团董事会成员Harald Kroeger表示:"当车辆能够准确感知驾乘人员状态,驾驶就能变得更加安全和便捷。"该系统预计于2022年投产。届时,欧盟也将把驾驶员疲劳和注意力分散预警等安全驾驶技术作为新车标配。据欧盟委员会估计,到2038年,车辆安全新标准将挽救超过25000人的生命,并避免超140000起严重道路交通事故。实时监测车内状况能从源头上解决自动驾驶车辆的安全问题。例如,在高速公路上,自动驾驶车辆若要将驾驶控制权移交给驾驶员,需确保驾驶员未处于微睡眠、正在阅读报刊或使用智能手机发邮件等状态。     

基于自注意力机制的自动驾驶场景点云语义分割方法

对车载激光雷达场景点云进行语义分割是自动驾驶环境感知环节的基础性工作。针对现有处理大规模自动驾驶场景点云方法对局部特征提取能力不足和难以捕捉全局上下文信息的问题,本文基于自注意力机制设计了局部和全局自注意力编码器,并搭建了特征聚合模块进行特征提取。实验结果表明,与同样采用局部特征聚合的网络RandLA-Net相比,在SemanticKITTI数据集上本文的方法可将平均交并比提升5.7个百分点,局部自注意力编码器的加入也使车辆和行人等小目标的分割精度提高2个百分点以上。