convolutional 第6页

Thorax Disease Classification with Attention Guided Convolutional Neural Network（未）

未完原因：实验总结不详细Abstract本文考虑了在chestX-ray(CXR)图像上诊断胸部疾病的任务。大多数现有的方法通常学习以全局图像作为输入的网络。然而，由于疾病的特异性，胸部疾病通常发生在（小）局部区域。因此，使用全局图像训练CNN可能会收到（过多）无关噪声区域的影响。此外，由于某些CXR图像对齐不良，不规则边界的存在阻碍了网络性能。为了解决上述问题，我们建议将全局和局部线索集成到一个

Nice25·2023-04-12 18:19

读《Finger Vein Recognition Using a Shallow Convolutional Neural Network》

2021摘要基于深度学习的手指静脉识别(FVR)可以分为闭集架构（CS架构）或基于系统输出的开集架构（OS架构）。cs体系结构由于其封闭性，其实用性有限，而os体系结构由于其收敛性具有挑战性，其泛化能力有限（那不就是都不实用了？）为了提高基于深度学习的FVR的实用性和性能，我们基于观察人脸识别与FVR之间的差异，假设浅层卷积神经网络适用于FVR。因此，我们设计了一个具有三个卷积块和两个完全连接层的

Mighty_Crane·2023-04-11 14:38

ECM技术学习：卷积跨分量帧内预测模型（Convolutional cross-component intra prediction model）

卷积交叉分量模型（convolutionalcross-componentmodel，CCCM）基本思想和CCLM模式类似，建立亮度和色度之间模型实现从亮度重建像素预测色度像素。和CCLM一样，预测色度像素前，需要对亮度重建块进行下采样，以匹配色度块尺寸。此外，与CCLM类似，可以选择使用CCCM的单模型或多模型变体。多模型变体使用两个模型，一个模型用于高于平均亮度参考值的样本，另一个模型用于其余

涵小呆·2023-04-10 09:23

SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking

本译文为了方便自我阅读，有能力请阅读原版：https://arxiv.org/abs/1911.07241摘要通过将视觉跟踪任务分解为两个子问题，分别是像素类别的分类和该像素处对象边界框的回归，提出了一种新的全卷积孪生网络，以逐像素的方式解决端到端的视觉跟踪问题。该框架由两个简单的子网组成：一个用于特征提取的孪生子网和一个用于边界框预测的分类回归子网。SiamCAR采用在线训练和离线跟踪的策略，在

小左先生·2023-04-09 07:02

【视频显著性检测】Video Salient Object Detection via Fully Convolutional Networks【论文笔记】

论文链接这篇论文非常有意思，不仅仅在于显著性，而在于数据集的生成。本文主要内容：一、提出使用神经网络做动态视觉显著性检测二、提出一种人工合成视频数据的方法。★★★★★三、在数据集上state-of-the-art，且速度更快。网络结构网络结构如图，输入单张图片经过全卷积网络输出得到静态显著性检测图，然后与下一帧的帧对结合，输入动态的全卷积网络得到最终的显著性检测图。网络结构非常清晰。视频数据的合成

千草幽幽·2023-04-09 01:27

M-net: A Convolutional Neural Network for deep brain structure segmentation

论文链接：M-net:AConvolutionalNeuralNetworkfordeepbrainstructuresegmentation|IEEEConferencePublication|IEEEXplore摘要：M-net:端到端可训练卷积神经网络(CNN)架构用途：从磁共振图像(MRI)中分割深度(人类)大脑结构M-net操作的是3D数据，但它只使用了2D卷积—>提高效率实验指标是骰子

白兔1205·2023-04-09 01:09

【论文阅读】“Attention-Based Two-Stream Convolutional Networks for Face Spoofing Detection”

论文阅读：“Attention-BasedTwo-StreamConvolutionalNetworksforFaceSpoofingDetection”论文地址：https://ieeexplore.ieee.org/document/87379492020期刊TIFS发的论文本文针对的问题：对不同拍摄设备、光照下的数据集，faceanti-spoofing的性能差距较大目的：提出一个CNN，能

LLL319·2023-04-08 16:49

CBAM: Convolutional Block Attention Module—— channel attention + spatial attention

影响卷积神经网络的几大因素：Depth:VGG,ResNetWidth:GoogLeNetCardinality:Xception,ResNeXtAttention：channelattention,spatialattentionAttention在人类感知系统中扮演了重要角色，人类视觉系统的一大重要性质是人类并不是试图一次处理完整个场景，与此相反，为了更好地捕捉视觉结构，人类利用一系列的局部瞥

佛系调参·2023-04-08 12:45

【论文解读】用于卷积神经网络的注意力机制(Attention)----CBAM: Convolutional Block Attention Module

论文：CBAM:ConvolutionalBlockAttentionModule收录于：ECCV2018摘要论文提出了ConvolutionalBlockAttentionModule(CBAM)，这是一种为卷积神将网络设计的，简单有效的注意力模块(AttentionModule)。对于卷积神经网络生成的featuremap，CBAM从通道和空间两个维度计算featuremap的attentio

liyonghong·2023-04-08 07:20

PyTorch Geometric 实现简易 Graph Convolutional Networks (GCN)

本文介绍如何使用PyTorchGeometric搭建一个简易的GraphConvolutionalNetworks(GCN)实例。我们将使用PyTorchGeometric库来定义一些图层，使用Cora数据集进行训练和测试。导入相关库importtorchimporttorch.nn.functionalasFimporttorch.nnasnnimporttorch_geometric.nnas

�SamSam·2023-04-08 00:35

图与推荐[2] - Graph Convolutional Networks (Pytorch)

AReview:GraphConvolutionalNetworks(GCN)Introduction1.1Graphs我们在跟谁开玩笑！如果您知道什么是图形，则可以跳过此部分。如果您在这里并且没有跳过本节，那么，我们假设您是一个完整的初学者，您可能需要非常仔细地阅读所有内容。我们可以将图形定义为以有组织的方式表示数据的图片。让我们深入研究应用图论。图（有向或无向）由一组由V表示的顶点（或节点）和

ZhuNian的学习乐园·2023-04-08 00:04

【论文笔记·RL】Traffic Signal Control Based on Reinforcement Learning with Graph Convolutional Neural Nets

TrafficSignalControlBasedonReinforcementLearningwithGraphConvolutionalNeuralNets摘要之前的强化学习方法都是用的是标准的神经网络，如卷积神经网络，来处理高维特征空间。而但对于多个交叉路口的交通网络，需要手动创建道路间的几何特征。文章采用了图卷积神经网络GCNN，通过多个神经网络层的叠加，自动提取距离较远的道路交通特征。在

lokol.·2023-04-07 09:37

菜鸟笔记之《FASTGCN: FAST LEARNING WITH GRAPH CONVOLUTIONAL NETWORKS VIA IMPORTANCE SAMPLING》

今天分享的这篇文章，出自ibm，之前对ibm的印象是做硬件的，没想到在人工智能的浪潮中，他依旧是一个强劲的弄潮儿。这篇论文提出的FastGCN,是建立在原始GCN基础之上的一种基于概率测度下embedding函数的积分变换视角，通过重要性采样实现的高效算法。本文将从模型原理和实验两方面对这篇论文进行介绍。一般认为，基于图的卷积神经网络模型来自于两个方面，一方面是谱图理论，一方面是表征学习，如nod

mying_三丘·2023-04-06 12:51

GANs学习系列(8)：Deep Convolutional Generative Adversarial Nerworks，DCGAN

【前言】本文首先介绍生成式模型，然后着重梳理生成式模型（GenerativeModels）中生成对抗网络（GenerativeAdversarialNetwork）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。本文涉及的论文有：GoodfellowIan,Pouget-Abadi

c2a2o2·2023-04-06 11:32

【论文阅读】Gradient Guided Image Deblocking Using Convolutional Neural Networks的详解

论文：GradientGuidedImageDeblockingUsingConvolutionalNeuralNetworks作者：CheolkonJung年份：2019年期刊：ACMMultimediaAsia文章目录摘要1介绍2提出的方法2.1网络结构2.2GradientInferenceNetwork2.3ImageInferenceNetwork3实验结果3.1准备3.2研究3.3比较

一个双子座的洁宝·2023-04-05 21:50

AlexNet（ImageNet Classification with Deep Convolutional Neural Networks）网络详解

一.前言AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生AlexKrizhevsky设计的。也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet。其官方提供的数据模型，准确率达到57.1%,top1-5达到80.2%注：其实在AlexNet网络问世之前，在进行图像识别，分割等工作时，我们采用手工提取特征或者是特征+机器学习的方式，但是这

保持客气哈·2023-04-05 10:31

RePr: Improved Training of Convolutional Filters翻译[下]

RePr:ImprovedTrainingofConvolutionalFilters翻译上6.Ablationstudy6.消融研究ComparisonofpruningcriteriaWemeasurethecorrelationofourmetricwiththeOracletoanswerthequestion-howgoodasubstituteisourmetricfortheﬁlte

Lornatang·2023-04-03 07:12

剪枝论文阅读《Filter Pruning via Geometric Median for Deep Convolutional Neural Networks Acceleration》

https://openaccess.thecvf.com/content_CVPR_2019/papers/He_Filter_Pruning_via_Geometric_Median_for_Deep_Convolutional_Neural_Networks_CVPR

欠我的都给我吐出来·2023-04-02 15:37

T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction Lin

用于流量预测的时序图卷积问题背景：交通流量预测。提出模型：为了同时捕获空间和时间相关性，提出了时间图卷积网络（T-GCN）模型，即将图卷积网络（GCN）和GRU结合。GCN用于学习复杂的拓扑结构以捕获空间依赖性，而GRU用于学习交通数据的动态变化以捕获时间依赖性。T-GCN的代码：GitHub-lehaifeng/T-GCN:TemporalGraphConvolutionalNetworkfor

你爻·2023-04-02 02:56

The inplementation of Convolutional

OptimizingConvinCaffeSolution:convertingConvtoGEMMThisisdoneintwolasysteps:(1)doanim2coltoconverttheimagetoamatrix(2)callGEMMtodotheactualcomputationPros:simplelogic,easyimplementationCons:Lotsofmemor

oneill_feng·2023-04-01 13:47

Convolutional Self-Attention Network

文章认为普通的attention存在以下两个问题：对整个序列使用加权和来计算注意力信息，会使相邻token的注意力被削弱。举个栗子：Amyeatabanana,andBobeatanapple.对这个句子中apple求注意力，那么前后两个eat使用普通attention计算得到的的注意力是相同的。但是实际上靠的越近的词，其注意力应该更大才对。multiheadattention计算各head注意力

哒丑鬼·2023-04-01 12:00

ZFNet: Visualizing and Understanding Convolutional Networks

ZFnet的创新点主要是在信号的“恢复”上面，什么样的输入会导致类似的输出，通过这个我们可以了解神经元对输入的敏感程度，比如这个神经元对图片的某一个位置很敏感，就像人的鼻子对气味敏感，于是我们也可以借此来探究这个网络各层次的功能，也能帮助我们改进网络。论文结构在这里插入图片描述input:,filtersize:7,filtercount:96,stride:2,padding:1,我觉得是要补一

馒头and花卷·2023-04-01 01:49

浅析：FASTGCN: fast learning with graph convolutional networks via importance sampling

原文连接：https://arxiv.org/abs/1801.10247这篇文章起始没有看懂啊。但是网上对这篇文章的解析资源也比较少。如果有错的地方，求指正！先总结这篇文章的几个亮点：1.这是一篇归纳式（inductivelearning）的图卷工作。归纳式的图卷积和直推式（也叫转导式）（Transductivelearning）图卷积不同之处在于：在节点分类任务上，归纳式学习中，测试节点可以不

芸思·2023-03-29 23:24

Deformable Convolutional 可变形卷积网络

DeformableConvolutiona可变形卷积网络论文链接：https://arxiv.org/abs/1910.02940可变形卷积,顾名思义,就是能够改变形状的卷积,普通的卷积一般都是使用一个kk的规则的卷积核对图像进行卷积操作,几何结构比较固定,感受野比较固定,而可变形卷积可以通过偏移量,把kk的卷积核变成不规则的网格,对原图进行卷积操作,进行端到端的学习,能够自适应地确定感受野的大

Angzioxo·2023-03-29 15:32

CNN理论-卷积神经网络结构（Convolutional Neural Network）

CNN的特点：能够有效的将大数据量的图片降维成小数据量。能够有效的保留图片特征，符合图片处理的原则。CNN解决了什么问题：图像需要处理的数据量太大，导致成本很高，效率很低。图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。典型的CNN由3个部分构成：卷积层池化层全连接层卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的

自由调优师_大废废·2023-03-29 05:54

【论文阅读】Multi-Modal Sarcasm Detection via Cross-Modal Graph Convolutional Network 嘲讽检测，多模态，跨模态，图神经网络

本博客系博主根据个人理解所写，非逐字逐句翻译，预知详情，请参阅论文原文。发表地点：ACL2022；论文下载链接：Multi-ModalSarcasmDetectionviaCross-ModalGraphConvolutionalNetwork-ACLAnthology代码链接：https://github.com/HITSZ-HLT/CMGCN；摘要：随着在线发布包含多模态信息的博客的流行，很多

me_yundou·2023-03-29 01:31

RePr: Improved Training of Convolutional Filters翻译[上]

RePr:ImprovedTrainingofConvolutionalFilters翻译下RePr:ImprovedTrainingofConvolutionalFiltersRePr：改进的卷积滤波器训练论文：http://static.tongtianta.site/paper_pdf/2e51726c-3f1d-11e9-ba5b-00163e08bb86.pdfAbstract摘要Awe

Lornatang·2023-03-28 03:03

Convolutional Sequence to Sequence Learning

cnn-seq2seq传统的embedding，将词向量空间映射到d维编码器+解码器--多层cnn，卷积核的大小k，参数规模为kd*2d，其中kd为每一次卷积的输入矩阵大小（kd），2d为输出矩阵大小（2d）即两维列向量[A,B]非线性--门控结构gatedlinearunits（GLM）GLM其中，sigma是门控函数，操作符是点积残差连接residual每一层（block）之间都是残差连接输出

小绿叶mj·2023-03-27 07:05

论文阅读：ImageNet Classification with Deep Convolutional Neural Networks

此篇文章是AlexNet的产生论文中原图.png细节放大图.pngimage.png1前言在2010年的ImageNetLSVRC-2010上，AlexNet在给包含有1000种类别的共120万张高分辨率图片的分类任务中，在测试集上的top-1和top-5错误率为37.5%和17.0%（top-5错误率：即对一张图像预测5个类别，只要有一个和人工标注类别相同就算对，否则算错。同理top-1对一张图

pppppwwj·2023-03-27 00:04

ICCV 2017 Learning Efficient Convolutional Networks through Network Slimming（模型剪枝）

前言这篇文章是ICCV2017的一篇模型压缩论文，题目为《LearningEfficientConvolutionalNetworksthroughNetworkSlimming》。2019年有相当多的关于YOLOv3的剪枝开源工程，他们大多数的原理都来自于这篇论文，这篇论文的思想值得仔细品读。论文原文地址和Pytorch开源代码地址见附录。基础原理这篇文章不同于之前介绍的那篇深度学习算法优化系列

GiantPandaCV·2023-03-26 15:13

《A Cancer Survival Prediction Method Based on Graph Convolutional Network》

摘要背景现状：多种基因组数据和临床数据尚未综合考虑癌症并预测其生存率方法先对各种数据进行融合，然后用GCN来训练image结论GCN在癌症生存预测方面的有效性和优越性介绍异质性疾病癌症具有不同的分子特征、临床行为、形态学表现和对治疗的不同反应一些传统的机器学习模型用于预测存活一些机器学习分类方法，如支持向量机（SVM）[16-18]，朴素贝叶斯分类器（NB）[19]和随机森林（RF）[20]也可用

飘涯·2023-03-26 08:41

【论文复现】CBAM: Convolutional Block Attention Module

CBAM:ConvolutionalBlockAttentionModule论文原文代码实现：PyTorchAbstract这是今年ECCV2018的一篇文章，主要贡献为提出一个新的网络结构。之前有一篇论文提出了SENet，在featuremap的通道上进行attention生成，然后与原来的featuremap相乘。这篇文章指出，该种attention方法只关注了通道层面上哪些层会具有更强的反馈

luuuyi·2023-03-24 19:11

A semi-supervised convolutional neural network for hyperspectral image classification

《Asemi-supervisedconvolutionalneuralnetworkforhyperspectralimageclassification》摘要-CNN在有足够的标签数据的前提下能够表现出强大的学习能力，但是对于HSI来说，标签数据非常有限。本文的主要工作提出了一种半监督的CNN架构，而且在编码－解码中间添加了跳跃连接使得网络能够更好的实现半监督学习。同时在训练的时候将监督和半监

DarrenmondZhang·2023-03-24 16:27

图神经网络（1）：图卷积神经网络GCN ICLR 2017

如果你能读懂英文，建议直接看作者最初发布的网站https://tkipf.github.io/graph-convolutional-networks/讲到GCN，就必须

东方小烈·2023-03-23 18:15

ImageNet Classification with Deep Convolutional Neural Networks

摘要训练大规模，深层卷积神经网络去分类the1.2millionhigh-resolutionimages.数据集：theImageNetLSVRC-2010测试集：top-1andtop-5errorratesof37.5%and17.0%神经网络：60millionparametersand650,000neurons,。包含五个卷积层。fiveconvolutionallayersmax-p

big_matster·2023-03-21 04:59

Wing Loss for Robust Facial Landmark Localisation with Convolutional Neural Networks

1.前言最近不做人脸识别了，改做alignment。这篇论文是cvpr2018的一片关于landmark的论文。caffe下的实现：https://github.com/JunrQ/caffe-layer2.介绍论文中提出了Wingloss，用于人脸关键点检测。作者发现，在现有的使用深度学习来进行landmark的方法中，大多数使用的是基于L2的loss。但是L2对于异常非常敏感，为了克服这种问题

Junr_0926·2023-03-15 07:28

Convolutional Neural Networks for Sentence Classification

论文总体结构一、摘要使用卷积神经网络处理句子级别文本分类，并在多个数据集上有好的效果二、Introduction(背景介绍)使用预训练词向量和卷积神经网络，提出一种有效分类模型本文的主要契机:1、深度学习的发展(2012)2、预训练词向量方法3、卷积神经网络的方法本文的历史意义:1、开启基于深度学习的文本分类的序幕2、推动卷积神经网络在自然语言处理的发展三、ModelTextCNN模型结构和正则化

BUPT-WT·2023-03-15 07:07

论文笔记：Convolutional Neural Networks for Sentence Classification

Abstract作者在句子级的分类任务上做了一系列基于预训练词向量的CNN实验。实验结果说明了：一个简单的（单层神经网络）、有一点超参数的调节（Filter的个数）和staticwordvector的CNN模型在多个benchmarks上效果都很好。通过微调学习特定任务的向量（task-specificvectors）可提升性能。作者还提出了一个架构上的简单修改来允许task-specificve

vivian_ll·2023-03-15 07:07

论文阅读-Convolutional Neural Networks for Sentence Classification（TextCNN）

目录模型原理1.1输入层1.2卷积层1.3池化层1.4全连接层模型特点YoonKim在2014EMNLP发的论文。TextCNN模型作为文本分类模型，通过验证实验以及业界的共识，在文本分类任务中，CNN模型已经能够取到比较好的结果，虽然在某些数据集上效果可能会比RNN稍差一点，但是CNN模型训练的效率更高。所以，一般认为CNN模型在文本分类任务中是兼具效率与质量的理想模型。模型原理与传统图像的CN

夏殇0808·2023-03-15 07:36

经典文献翻译《Convolutional Neural Networks for Sentence Classification》——2014年

《ConvolutionalNeuralNetworksforSentenceClassification》——2014年《基于CNN的句子级别的文本分类》Abstract摘要1Introduction引言2Model模型2.1Regularization正则化3DatasetsandExperimentalSetup数据集和实验设置3.1HyperparametersandTraining超参数

云不见·2023-03-15 07:55

【论文阅读笔记】Convolutional Neural Networks for Sentence Classification

1概览ConvolutionalNeuralNetworksforSentenceClassification的原文，本文将CNN和NLP结合；介绍了一系列的对比实验，实验结果证明了：一个简单的（单层神经网络）的CNN模型一点超参数的调节（Filter的个数）staticwordvector另外，对cnn模型进行了小改动：将staticvectors和nonstaticvectors变成cnn模型

月满星沉·2023-03-15 07:24

【NLP】TextCNN: Convolutional Neural Networks for Sentence Classification

TextCNN是一种卷积神经网络，用于文本分类和其他自然语言处理任务。它的核心思想是通过卷积操作捕捉文本中的局部特征，并将这些特征组合成全局的表示。下面是TextCNN的详细原理。EmbeddingLayer：首先，文本需要被表示成计算机可以理解的形式。通常，我们使用词嵌入(wordembedding)来将每个单词映射到一个实数向量。这个映射可以是一个预先训练好的词嵌入矩阵，也可以是模型的参数之一

拟禾·2023-03-15 07:53

『Some Improvements on Deep Convolutional Neural Network Based Image Classification』论文笔记

一为什么读这篇起初是从InceptionV1的参考文献发现本文的，当时以为这篇是TTA的鼻祖，后来查了下googlescholar，发现本文不仅InceptionV1有引用，许多其他重磅文章也都引用了该文，包括不限于VGG，He初始化，SSD等等。二截止阅读时这篇论文的引用次数2019.1.30174次。次数虽然不多，不过引用该文的文章分量都很重。三相关背景介绍13年12月挂在arXiv上，属于A

ktulu7·2023-03-14 00:49

CVPR2017：密集连接的卷积网络DenseNet《Densely Connected Convolutional Networks》

文章目录原文地址初识相知回顾参考原文地址https://arxiv.org/abs/1608.06993初识深度卷积神经网络由于相关信息和梯度在前向传递和反向传播时都需要经过很多层，会导致梯度弥散以及梯度消失的问题。为了解决这类问题，以ResNet为代表的相关工作，都采用了在earlylayer和laterlayer之间建立短路连接的方法。下图展示了ResNet中残差块的设计而本文基于此核心，提出

我是大黄同学呀·2023-03-13 21:18

吴恩达Convolutional Neural Networks 第三周笔记

学习目标UnderstandthechallengesofObjectLocalization,ObjectDetectionandLandmarkFindingUnderstandandimplementnon-maxsuppressionUnderstandandimplementintersectionoverunionUnderstandhowwelabeladatasetforanobj

涂山容容·2023-03-11 23:07

CNN学习笔记1

附上链接：http://cs231n.github.io/convolutional-networks/#casehttp://www.cnblogs.com/wj-1314/p/9593364.html

小白的颠覆之路·2023-02-22 07:14

[AM-GCN Applied Intelligence2021] Triplet attention multiple spacetime-semantic graph convolutional

论文：[AM-GCNAppliedIntelligence2021]Tripletattentionmultiplespacetime-semanticgraphconvolutionalnetworkforskeleton-basedactionrecognition；在本文中，最主要的工作就是采用了时空特征与语义特征双流的特征提取操作，并使用3个维度的注意力机制在每个流中提高准确性，最后将两个

Relissc_Cao·2023-02-21 07:41

AAAI2018||ST-GCN：Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition

在本博客中，我将对骨架动作识别任务中应用图卷积的开山之作ST-GCN进行重述，其中会参杂个人的理解。本篇博客内容为本人研究生阶段结课作业与论文部分内容，因此改进部分暂时未上传；本篇博客旨在于广大同学一起分享讨论于进步，请勿私自转载。在文末将会对ST-GCN中的图卷积代码进行图画阐述。后续可能会更新代码讲解。一、摘要在基于骨架的动作识别任务中，动态的人体骨架具有该任务所需的重要信息，然而以往传统的方

Relissc_Cao·2023-02-21 07:40

[AAM-GCN Neurocomputing2021] Attention adjacency matrix based graph convolutional networks for skele

论文：[AAM-GCNNeurocomputing2021]Attentionadjacencymatrixbasedgraphconvolutionalnetworksforskeleton-basedactionrecognition；该论文最主要的工作就是提出了一个注意力邻接矩阵（AAM：attentionadjacencymatrix，其中这个矩阵包含两部分EPN和ATM），从而解决了以往