该研究提出了使用卷积 LSTM 来进行分割的反馈 U-Net 方法，通过将输出反馈到输入并提取特征来优化分割过程，结果在果蝇和老鼠细胞图像数据集中优于传统的前馈 U-Net 方法。

Apr, 2020

在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提高。

Mar, 2021

我们提出了一种新颖的技术，使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型，并与 U-Net 及其残差变体进行对比，结果表明性能颇具竞争力。

Feb, 2019

本文提出利用注意力机制在卷积特征激活层面上进行细粒度图像识别，相对于传统方法，在不需要部分标注的情况下使用低层次特征进行输出概率分配，并在 CIFAR-10、Adience gender recognition task、Stanford Dogs 和 UEC-Food100 等数据集上取得了最先进的分类精度。

Jul, 2019

提出了一种新的基于自上而下的认知偏见和自下而上的特征提取相结合的注意力神经网络框架，能够在处理高噪声或难以分割的问题时取得预期，模块化和可扩展，并能够适应复杂行为模式，在 MNIST 变分数据集上获得了与现有技术相当或更好的分类准确性和成功地分离重叠数字。

Nov, 2014

通过加入可训练的注意力模块，使得卷积神经网络在进行图像分类时能够更好地聚焦于感兴趣的区域，进一步提高了模型的稳健性。

Apr, 2018

本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

Feb, 2020

本文将深度学习技术应用于海马分割任务，提出了一种新的分层反馈链网络，通过分层特征聚合反馈链学习每个编码器层的更深更广的特征表示，并通过特征交接注意模块实现特征选择和反馈。在特征编码器和解码器之间嵌入了全局金字塔注意单元，包括实现相邻注意交互的成对金字塔注意模块和捕捉长程知识的全局上下文建模模块。与现有的海马分割方法相比，在三个公开数据集上，所提出的方法实现了最先进的性能。

Nov, 2022

通过深度学习网络结构，我们的视觉注意力网络从全局到本地不同范围内的多尺度特征中提取等级显著信息以预测人眼的视觉注视点，并在各种基准数据集上实现了最先进的性能表现。

May, 2017

本文提出了一种受人类感知启发的注意力模型，并将其融合到现代神经网络架构中。实验结果表明，引入注意力机制可以显著提高模型的对抗鲁棒性，在各种随机攻击强度下可以达到最先进的 ImageNet 准确度；通过控制注意力步骤的数量可以使模型的防御能力更强，并且可以对抗更强的攻击；攻击模型生成的对抗样本有着与传统对抗样本不同的全局、显著和空间一致的结构，这些结构来自目标类别并且甚至可以被人类识别，会使模型注意力从原始图像中的主要物体分散开来。

Dec, 2019