锥形束计算机断层扫描(CT)成像技术在口腔疾病诊断中发挥了重要作用。如何从复杂的原始扫描图像中获取牙齿的准确信息，成为口腔医学的一个重要研究问题。引入空间注意力机制，提出一种基于改进U-net网络的分割算法，结合等值面提取算法，实现对牙齿锥形束计算机断层扫描图像的准确分割和三维重建。首先对图像进行分割，得到只保留牙齿信息的图像，再对结果进行三维重建，创建出牙齿的三维模型。实验结果表明，该方法能够有效地提取牙齿信息，有助于对口腔疾病特别是牙齿疾病的诊断和治疗。

提出了一种基于FCOS神经网络的小建筑物目标检测算法, 针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题, 引入多尺度检测和可变形卷积方式, 加强网络对小建筑物目标的特征提取能力, 并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征, 对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试, 结果表明, 在相同环境下网络改进后建筑物的整体检测准确率提升了1.7% , 其中对小建筑物目标提升了3.6%, 减少了小建筑物目标漏检、误检的问题。

针对现有识别算法使用的数据集过于简单、对真实场景中安检图像危险品的识别准确率低且容易导致误检和漏检的问题，基于渗透假设的类平衡分层求精提出了一种结合多层通道注意力机制和空间注意力机制的算法。首先，在安检图像分层建模的基础上在特征图中加入通道注意力机制，对不同通道特征赋予不同的权重。然后，加入空间注意力机制，在空间上对安检图像特有的颜色特征赋予不同的权重。最后，利用残差网络在安检图像不同层分别加入双注意力机制进行消融实验。实验结果表明，对固定两层同时添加双注意力机制后，网络对安检危险品的识别精度有显著提高，验证了多层注意力机制算法的有效性和鲁棒性。

针对高光谱图像维度高、训练样本少以及训练带来的过拟合、参数过多问题，提出了一种基于改进密集连接网络（DenseNet）和空谱注意力机制网络（MDSSAN）的高光谱图像分类方法。首先，对高光谱图像进行主成分分析，并将中心像素的空间邻域输入改进的网络模型中。然后，对三维DenseNet进行改进，将模型中的三维卷积块分解成空间维和光谱维的采样卷积。最后，在空间维上引入空间注意力机制，在光谱维上引入通道注意力机制，以减少模型的训练参数，提取更具判别力的空谱联合特征。实验结果表明，MDSSAN模型在Indian Pines、Pavia University和KSC数据集上的总体分类精度分别为99.43%、99.74%、98.98%，相比其他对比模型，该模型的收敛速度更快，分类性能更好。

针对现有行人重识别算法因细节信息关注不足导致的判别性不强问题,提出了一种基于注意力机制的多级特征级联行人重识别算法。首先,通过级联不同深度的特征实现对不同层级特征的充分利用,以补充高层级特征中的细节信息。然后,引入一对互补的注意力机制模块,以融合特征图中相似的像素及通道,弥补特征中的空间位置信息,提高特征的判别性。最后,在Market-1501、DukeMTMC-ReID、CUHK03数据集上进行了大量实验。结果表明,本算法的识别精度和平均准确率优于大多数当前的主流算法。

针对目标检测领域对高检测精度和高检测速度共存的需求，提出了一种单阶段目标检测算法即性能平衡的YOLO算法(B-YOLO)，该算法首先引入空间注意力机制，利用多尺度最大池化层增大感受野范围; 然后采用跨阶段局部连接结构和直通层优化主干网络结构，改善计算效率; 最后在多尺度检测结构中增加自下而上的路径，并使用拼接操作进行横向连接，融合深层语义信息和浅层位置信息。实验结果表明，该算法在精度和速度之间取得了较好的平衡。