飞行动作识别对飞行训练质量评估、提升飞行员的驾驶技术具有重要意义。在飞行动作序列数据中, 某时刻飞行状态数据及该状态对应的某些飞参数据对飞行动作识别有非常重要的贡献, 但传统的注意力机制只关注上层状态特征的贡献值, 而忽略了下层特征的影响。为有效提取飞参数据的关键特征表示, 提出聚焦注意力(FA)机制, 扩展了传统注意力机制, 进一步聚焦注意力, 学习其下层特征对上层的贡献。同时, 本研究将FA机制扩展到BiLSTM网络中, 提出FA-BiLSTM网络模型, 该模型不仅重点关注飞行动作序列中关键时刻的飞行状态数据, 还可学习该飞行状态中关键的飞参数据。实验表明, 该方法有效提升了飞行动作识别的准确率, 加权平均准确率达到了94%。

在研究了经典ITTI等视觉注意模型的理论基础上, 结合海面SAR图像背景及目标特点, 对传统视觉模型应用于海面SAR图像的缺陷进行分析总结, 提出一种适用于海面SAR图像视觉注意模型设计算法。首先, 模型借鉴经典ITTI模型的基本框架, 选择并提取了能够较好描述SAR图像的纹理和形状特征, 求取相应的特征显著图；其次, 采用新的特征显著图整合机制替代经典模型的线性相加机制进行显著图融合得到总显著图；最后, 综合各特征显著图下注意焦点的灰度特征, 选择最佳的显著性表征, 完成通过多尺度竞争策略对显著图的滤波及阈值分割实现显著区域的精确筛选, 从而完成SAR图像的显著区域检测。实验采用TerraSAR-X等多幅卫星数据进行仿真实验, 结果验证了模型良好的显著性检测效果, 更符合实际高分辨率图像目标检测的应用需求。通过进一步与经典视觉模型对比分析, 模型在改善了由斑点噪声和不均匀的海杂波背景对检测结果产生的虚警影响的同时, 检测速度也较之提高了25%~45%。