题目：注意力模型的当前发展水平
作者：Ali Borji, and Laurent Itti
摘要：视觉注意力的建模，特别是刺激驱动的，基于显著性的注意力，在过去25年内已经是一个非常活跃的研究领域。现在有很多不同的模型，除了给其他领域带来理论贡献以外，这些模型已经在计算机视觉，移动机器人，和认知系统展示出成功的应用。这里我们从计算角度综述应用在这些模型的基本概念。我们提出了对大概65个模型的分类，提供了一个方法、性能和缺点的关键的比较。特别是，提出了从行为研究和计算研究得出的13个标准，来量化笔记注意力模型。并且，我们解决了一些具有挑战的模型问题，包括计算模型的生理解释，与眼动数据库的关系，自上而下和自下而上的分离，以及构建有意义的性能指标。最后，我们突出注意力模型的今后研究方向，为未来提出见解。
1，介绍
每秒钟有大量的视觉信息进入人们的眼睛[1][2]。如果没有一个智慧的机制来滤除视觉数的中的错误的数据，实时处理这些数据将是一个非常恐怖的事情。高层次的认知和复杂处理，比如物体认知或者场景理解，都依赖这些经过这种方式【注：一个智慧的机制来滤除视觉数的中的错误的数据】转换过的易处理的数据。本文将讨论的这个机制就是视觉注意力，他的核心在于选择机制的思想以及相关的概念。对人类来说，注意力通过已经进化为高分辨率的中央凹的视网膜【注：中央凹（central fovea）：是眼球后极视网膜上一个浅黄色的区域，称为黄斑。其中央有一椭圆形小凹，称为中央凹】和一个底分辨率的周围区域实现的。尽管视觉注意力将这些解剖学组织指向场景中的重要部分来采集更具体的信息，（视觉注意力模型的）主要问题是基于这个指向的计算机制。
近年来，科学研究的很多方面已经旨在回答这个问题。心理学家研究了视觉注意力的相关行为，比如变化盲点[3][4]【注：变化盲点Change blindness 是一个心理学现象，当刺激发生变化时，人们往往无法注意到】，无注意力盲点[5]【注：无注意力盲点inattentional blindness是我们无法注意到一些显而易见的激励】和注意瞬脱[6]【注：注意瞬脱attenional blink是指在一个连续的注视过程中，我们会短时间内无法注意到一些显著的物体或者其他东西】。神经生理学家证明了神经元是如何适应自己来更好的感知感兴趣的物体
[27][28]。计算神经科学家已经构建了现实的神经网络模型来模拟和解释注意力行为（比如[29][30]）。受这些研究的鼓励，机器人学家和计算机视觉科学家已经试图解决计算复杂度的内在问题来构建能够实时工作的系统（比如[14][15]）。尽管现在在以上提及的研究领域已经有很多模型，这里我们仅讨论能够计算图像或者视频的显著图的模型（见下节的定义）。对于计算视觉注意力的计算模型的一般综合，包括偏向竞争[10]，选择调节[15]，注意力模型的规范化[181]，和其他模型，参考[8]。从心理学、神经生理学以及计算角度出
发的注意力模型的综述，参考[9][77][10][12][202][204][224]。图1显示了注意力研究的分类，并突出了我们的综述范围。
1.1 定义
尽管术语attention，saliency和gaze经常被相互替换使用，但是他们之间有更细微的描述他们的定义。
注意力attention是一个普遍概念，覆盖了影响选择机制的各个方面，无论他们是场景驱动的自下而上的机制或者是预期驱动的自上而下机制。
显著性saliency直觉上刻画了场景的一些部分，可能是物体或者区域，这些部分似乎相对他们的临近区域突出。术语“salient”通常在自下而上的计算模型[18][14]中提及到。
Gaze，一个眼睛和脑的协调运动，通常被用作注意力在自然行为中的代名词。（见[99]）。比如，一个人或者一个机器人必须和周围的物体进行交互，
在场景中移动是控制注意点来执行任务。从这点讲，注意点控制同时集视觉，行为和注意力来执行感觉运动协调，这是某些特定行为（比如到达reaching和理解grasping）所必须的。
1.2 起源
很多注意模型的基础能够追溯到Treisman&Gelade's[81]，他们提出的“特征整合理论”陈述了那些视觉特征是重要的以及他们如何组合来在弹出式的
和连续的搜寻任务中引导人们的注意力。Koch and Ullman[18] 提出了一个前馈模型来组合这些特征，并引入了saliency map的概念，saliency map 是表示场景位置突出性的地形图。他们同时引入了一个winner-take-all神经网络，这个网络选择最显著的位置，利用返回抑制机制使注意力焦点移向下一个最显著的位置。一些系统随即创建出来，利用相关模型来处理数字图像[15][16][17]。Koch&Ullman模型的第一个完整的实现以及验证由Itti等人[14]提出（见图2），并应用于人造场景和自然场景。从此以后，这个领域受到持续的关注。基于不同对注意力模型的假设的各种各样的方法涌现出来，并在不同的数据库上进行验证。在接下来的章节中，我们提出一个统一的概念框架，在这个框架下我们将讨论每个模型相比其他模型的优点和缺点。我们将给作者深入的分析关于注意力模型的当前技术的发展，确定当前依旧面临的问题。
对注意力建模的主要关注点在于如何，何时以及为什么我们选择行为相关的图像区域。由于这些原因，提出了一些定义和计算视角。一个通用的方法是从前期人类视觉系统（early human visual system）的解剖学和功能性来获得灵感（比如[14][15][16][191]）。另外，一些研究假设视觉注意力服从那些函数，并将它形成一个计算框架。比如，大家一致认为视觉注意力能吸引更多的信息[144]，更多的意想不到的场景区域[145]，或者关于一个任务的最大化回报[109]。
1.3 经验基础
注意力模型通常通过观测者的眼球运动来验证。眼球运动传达了关于认知过程的重要信息，比如阅读、视觉搜索和场景感知。因此，他们通常被看做是注意力转移的表达方式。比如说，在场景感知和视觉搜索中，当激励比较混乱时，注意点会变得更长，同时扫描线变得更短[19]。任务的难度（比如说全面阅读对主旨阅读，或者在场景中寻找人对用于记忆力测试的图像浏览）明显影响着眼球运动行为[19]。尽管注意力模型和眼球运动预测模型经常用眼球运动数据进行
验证，但是在范围、方法、激励以及细节的层次上存在着细微的差别。眼球运动预测模型（扫描规划）试图理解注意力的数学支撑和理论支撑。一些实例包括搜索过程（比如优化搜索理论[20]，信息最大化理论[21]，Mr.Chips: 一个理想观测者的阅读模型[21]，EMMA（眼球运动和注意力运动）模型[139]，控制眼球运动的HMM模型[26]和约束的随即游动模型[175]）。为了这个目的，他们通常使用简单可控制的激励，同时另一方面，注意力模型利用启发的、认知的和神经特征的组合，以及机器学习和计算机视觉的一些工具，来解释在简单和复杂场景的眼球运动。注意力模型同时关注实际实用性。对于所有的眼球运动模型的综述超出了本文的范围。感兴趣的读者参考关于眼球运动的研究[22][23][127]和眼球跟踪应用的宽度优先的调查[25]。
注意到眼球运动并不总是表示出真实的事实，而且存在着其他度量标准来衡量模型。比如，正确报告图中一次变化的准确性（也就
是search-blindness[5]），或者预测能够被记住的那些视觉吸引东西，这些
能显示出单独分析眼球运动所或略的注意力的重要方面。很多视觉搜索的注意力模型用精确估计反应时间(RT)（比如，RT/setsize slopes in pop-out and conjunction search tasks[224][191]）。
1.4 应用
本文中，我们将关注描述模型本身。但依然有很多关于今年来提出的模型的技术应用，并对注意力模型的关注度会进一步的增加。我们对模型的应用分成三个类别：视觉和图形，机器人和图3所示的其他领域。
1.5本文的申明和组织
注意力很难正式定义成一个被广泛接受的方式。然而，从计算角度来看，很多注意力模型（至少那些在自由注视的眼球运动的前几秒上测试的模型）能被统一到以下的普遍的问题称述中。假设K 个观察员看了N 副图，令*是眼睛注视点以及他们对应的时间*。对于第i 副图的k 个观察员的注视点的个数用*表示。注意力模型的目的是找到一个函数（stimuli-saliency map ）*，这个函数最小化眼睛注视点预测的误差，也就是*。这里一个重要的点是以上的定义更好的符合自下而上显式注意力模型，也许并不总是覆盖视觉注意力的其他方面。（比如显式注意力或者top-down 因素），这些不能用眼球运动来解释。
这里我们对主要的应用于任意图像的注意力模型进行系统的综述。第二章将介绍分类这些模型的几个因素。在第三章，我们根据这些因素总结和分类视觉模型。第四章讨论这些模型的局限性和所遇到的问题。第五章对全文进行总结。
2 分类标准
我们从引入13个标准f1...f13开始，这些标准将用来对注意力模型进行分类。这些标准都源于注意力在行为和计算方面的研究。一些标准描述了模型（f1，f2，f3），其他的（f4...f7，f12，f13）并不直接相关，但是他们对于觉得这些模型的实用性非常重要。
2.1 Bottom-up VS Top-down模型
模型之间一个主要的差别是他们是否依赖bottom-up因素(f1)，
top-down因素(f2)或者是二者的组合。
Bottom-up因素主要基于视觉场景的特性（激励驱动）[75]，而top-down 因素（任务驱动）由认知现象如知识、期望、奖励和当前任务决定的。
由bottom-up方式吸引我们注意力的感兴趣区域必须充分地不同于与其周围特征。这种注意力机制同样叫做外在的，自动的，灵活的或者周边的因素[78]。Bottom-up注意力是快速的，无意识的，并最可能是前馈的。一个典型的bottom-up注意力的例子是看一副在有很多条垂直条纹中只有一条水平条纹的场景图中，注意力马上就会被吸引到水平条纹上[81]。尽管很多模型属于这一类型，他们仅仅解释了眼球运动的一小部分，因为大多数注视点是由任务驱动的[177]。
另一方面，top-down注意力比较慢，任务驱动，有意识的和闭合回路的[77]。top-down注意力最著名的例子是来源于1967年的Yarbus[79]，他展示了依靠当前任务的眼球运动的如下实验：测试者要求在不同的条件（问题）下看同一场景（在有一家人的房屋中，一个不速之客进入房间），这些问题包括：“估计这个家庭的物质环境”，“人们的年龄是多少”，或者简单的仔细观察场景。
对于以上不同的例子，眼球运动明显不同。
模型探索了三个主要的针对特定问题的top-down因素的来源，这个问题是：我们如何觉得看哪里？一些模型解决了视觉搜索中，注意力被吸引到我们要寻找的物体的特征上这样的问题。另外一些模型探讨了我们在场景中看到的位置的内容或者主旨（gist）的角色。在某种情况下，很难准确的说我们在场景中看哪或者看什么，因为由一个复杂的任务管理眼睛的注视点，比如在开车的过程中。虽然原则上，任务要求注意力包含其他两个因素，在实际中，模型往往分开关注他们。场景布局也被看作是top-down注意力的一个来源[80][93]，并在这里与场景内容一起考虑。
1), 物体特征。有相当多的关于在现实世界搜索任务中存在目标驱动的注意力指引（attention guidance）的证据[84][85][23][83]。在经典的搜索任务中，目标特征在一个无处不在的注意力指引的来源[81][82][83]。考虑在简单的目标箭头是红色的箭头簇中搜索：注意力快速地指向那个红色的箭头。拿这个与更负责的目标物体做比较，比如说自然情景中的行人，这种情况下尽管很难定义目标，但是依然存在一些特征（比如直立形式，圆头，直直的身体）指引视觉注意力[87]。
引导搜索理论[82]提出注意力能够偏向于感兴趣的目标，通过调整贡献于注意力的不同特征的相对增益。回到我们以前提出的例子中，当看一个红色的物体，一个很高的增益赋给红色。Navalpakkam等人[51]提出优化特征组合（BU 显著模型[14]的通道）按照最大化目标与背景的信噪比来检测目标。在[50]中，将一个基于物体唯一性的准则的加权函数，在将每幅图加起来之气，作用到每幅图中来定位物体。Butko等人[161]基于由Najemnik等人[20]在一个特定中进行人脸检测和跟踪的观察框架中陈述的相同的视觉搜索原理，构建物体搜索模型，但是他们没有利用这么模型解释在搜索人脸中眼睛注视点。Borji
等人[89]用进化算法在一个基本的显著模型参数空间中搜索来寻找目标。Elazary和Itti[90]提出了一个模型，该模型中top-down注意力能调整首选特征（比如一个特定的灰度）和调整特征检测器的宽度，从而给出相比调节固定特征检测器的增益模型而言很灵活的top-down调整模型。最后但是并不是不重要的研究包括[147][215][141]，他们都是从制定目标物体搜索的方法出发提出一个显著性度量方法。
前面提到的关于在视觉搜索中物体特征的角色的研究与计算机视觉中的物体检测非常相近。一些物体检测方法（比如Deformable Part Model by Felzenszwalb等人[206]和the Attentional Cascade of Viola and Jones[220]）对于一些物体，如小汽车，人以及人脸有很高的检测率。与认知模型相比，这类方法通常是纯计算方法。关于这两个领域如何相关的研究将可能对双方领域都带来好处。
2）场景内容。当简要的展示一副图时（小于或等于80毫秒），一个观察者通常能够描述场景的核心特征[176][71]。这是一个非常粗糙的场景表示，通
常叫做“主旨gist”，不包含单个物体更多的细节信息，但是能够提供足够的粗糙
场景区分信息（比如室内场景和室外场景）。意识到这点很重要：gist并不显示场景的语义类别。Chun and Jiang[91]证明了那些位于相对一些背景重复出现的结构中的物体能够很快的被检测到[71]。在特定场景中物体间的语义关联（比如电脑通常在桌子上）或者内容信息同样在指引眼球运动中起着重要的角色[199][84]。
已经存在一些关于利用不同类型的底层特征的gist模型。Olive and Torralba[93]在图像上计算非重叠窗函数傅里叶变换的幅频。他们接着利用主成分分析（PCA）和独立成分分析（ICA）来降低特征的维度。Renninger and Malik[94]对输入图像利用Gabor滤波器过滤，利用K-means聚类算法从训练库上提取100个普遍的taxtons。他们的gist特征是这些普遍taxtons上的直方图。Siagian and Itti[95]用生物学的中心-周围区域对比，在方向，颜色和灰度通道特征上对gist建模。Torralba[92]用小波分解调节6个方向和4个尺度。为了提取gist，通过在4*4方上的录波器响应求平均值形成向量。同样，他利用PCA，将384维向量降至80维gist向量。对于gist的比较，请参考[96][95]。
Gist的表达方式逐渐在计算机视觉领域内边的流行起来，因为他们提供了丰富的全局区分信息，对很多应用非常有帮助，比如当今大规模场景数据库上的搜索[116]，将搜索缩小到包含感兴趣物体的区域[92][87]，场景实现[205]，和top-down模型建模[101][218]。因此可以看出这个方向的研究具有很大的潜力。
3）任务需求。任务对于注意力的部署具有很大的影响[79]。据说视觉场景可以解释为基于需求的方式执行需求的任务[97]。Hayhoe等人[99]指出当处理复杂任务时视觉感知和眼球运动之间存在着很强的联系。测试者执行视觉导向的任务时，通常发现他们将更多的注视点导向那些与任务有关的位置[99]。通常有可能推断出一个方法，测试员在内心中记住眼球运动的模式。比如说在“block-copyin g”任务中，测试员需要重现每个积木的组装方式，测试者完成任
务的方式就显示了眼球运动的模式【注：这段没太懂原文的意思】。测试员首先选择目标积木来在模型中确定其位置，然后关注工作区域的积木来在对应位置上放置新的积木[216]。其它研究探讨了在自然场景中gaze基于任务的行为，比如三明治制作，驾驶汽车，板球运动，和行走（见Henderson and Hollingworth[177]，Rensink[178]，Land and Hayhoe[135]，and Bailensen and Yee[179]）的高层因素。Sodhi等人[180]研究了在驾驶中的一些分心行为，比如调节音频音量或者接电话，对眼睛运动的影响。
流行的观点是bottom-up和top-down注意力组合影响着注意力行为。一个组合方法应该能够解释何时以及如何趋向一个top-down视觉物体，或者跳过它，由于底层显著因素。最近，[13]提出了一个Bayesian方法解释了对于top-down注意力因素和对比或者方向的bottom-up因素进行最优组合方式。Navalpakkam和Itti[80]提出了一个任务驱动认知模型，包含这样的假设：用于解决任务的方向以及存在了。Peters和Itti[101]在游戏视频中学习了一个从场景的gist投眼睛的注视点的top-down映射。组合方式就是简单的BU和TD 模块的相乘。
2.2 空间VS时空模型
在实际世界中，我们面临的视觉信息会发生持续不断的变化，由于自我中心或者外边世界的动态变化。视觉选择这时同时依赖当前的场景显著性和以前时间的累积知识。因此，一个注意力模型应该能够捕捉到那些在时空方式中重要的场景区域。
在第三章中将有更详细的阐述，几乎所有的模型都包含了一个空域模块。我们能够从两种类型的对时域信息进行建模的saliency模型：1）一些bottom-up 模型用运动通道来捕捉吸引到移动激励的视觉注意力点[119]。最近，一些研究者开始进行时域对bottom-up的影响进行建模[143][104][105]。2）另一方面，一些模型[109][218][26][25][102]试图捕捉任务的时空方面的信息，比如通过学习注意物体的序列或者任务过程中的行动序列。比如，注意力门模型Attention Gate Model（AGM）[183]重点强调了注意力的时间相应性质和量化描述了人类往往注意的序列激励目标。图像的先前信息，注视点，注视点的图像内容信息，物理行为，以及其他传感器的激励（比如音频）用来预测眼球的下
一运动点。加入时间维度，以及自然交互行为的现实性带来了一系列的在利用计算模型预测注意点的应用。
用来建立视觉注意的时间方面的合适的环境是动态的，具有交互步骤的电影和游戏。Boiman and Irani[122]提出了用于从视频中进行不规则检测算法，在一个学习的不规则行为的数据库上通过比较小块的纹理实现。时间信息在激励层面上是非常有限的，并且不包含高级认知功能，比如展示给注意力焦点的物品的序列，或者玩游戏是动作的序列。一些模型提取静态和动态显著图，并提出算法来融合他们（比如Jia Li等人[133]以及Marat等人[49]）。在[103]中，提出一个基于视频时空注意力模型，通过组合两幅图像之间的差异的运动对比和从颜色直方图中计算出来的时间对比。视觉实现环境VR也被使用
[99][109][97]。一些其他处理时间维的模型是[105][108][103]。我们将在后面介绍这些模型。
因素f3显示了一个模型是否仅仅用到时域信息或者利用时空信息估计显著性。
2.3显式注意和隐式注意
基于显式的注意和隐式的注意是不同的。显示注意力是将视网膜导向激励的过程，而隐式注意力心理上注意一些可能的输入激励。隐式注意力的一个例子是，当一个人在说话时，他的视网膜周围区域也是关注着整个视觉区域。另一个例子是在开车中，司机在关注马路的同时，下意识地关注着路标和红绿灯的状态。当前的观点是隐式注意是一种用来快速扫描感兴趣区域。这种隐式转换与眼球运动回路有关，这种回路建立感兴趣区域的一个扫描回路[203]。然而，这也不能完全解释隐式注意和显示注意的复杂的交互关系。比如，有可能注意到右手边的角的视野，而同时积极的抑制眼球移动到那个位置。很多模型检查了那些吸引眼球的区域，但是很少能解释伴随着头的运动的眼睛的显示取向。缺少对显式注意计算框架的原因可能是显式注意的行为机制和功能依然是未知的。并且，我们不知道如何去度量显式注意。
由于显式注意和隐式注意的大量的重叠和他们也不是相互排斥的概念，显著模型能够考虑同时对显式机制和隐式机制进行建模。然而，对这个主题的深入探讨超出了本文的范围，也需要在其他地方做特殊的处理。
2.4 基于空间模型VS基于物体模型
对于注意力尺度的单元没有统一的认识：我们注意的是空间位置、是特征、还是物体？大量的心理学和神经生理学研究都是基于空间的注意力模型（比如Posner's spatial cueing paradigm[98][111]）。同时也有大量的证据支持基于特征的注意力模型（在一个特征维度里检测就的东西[81]或者特征选择神经元的曲率调节[7]）和基于物体的模型（选择性地注意到两个物体中的一个，比如人脸和花瓶的错觉图[112][113][84]）。当前的观点认为这些理论并不相
互排斥，视觉注意力能够分布到每个候选的单元点上，同时也暗示着没有单一的注意单元。人类有能力同时注意到多个感兴趣的区域[114][115]。
在现有的模型中，大多数模型都是基于空间的（见图7）。也可以认为人类以物体作为top-down注意的基本工作和推理单元[84]（与纯像素值相比）。先前提出一些基于物体的模型，但他们没有对于眼睛注意力的解释（比如，Sun and Fisher[117]，Borji等人[88]）。这个缺点使得验证模型变得困难。比如，Sun and Fisher[117]模型的缺点是用人对图像进行分割，他引入了那些在前注意阶段（在物体被认知的阶段之前）并不存在的信息。现有的带有物体标签的
图像和视频库（比如LabelMe Image and Video[116][188]）能够在这个方
向做有效的研究。基于物体和基于空间模型之间的关系有待将来解决。基于特征的模型（比如[51][83]）调整特征探测器的属性，试图使在分散的背景中令物体变得更加显著。由于物体和视觉特征的紧密关系，本文将基于特征的模型归类到基于物体的模型，见图7.
第九个特征f9表示一个模型是否是基于空间的或者基于物体的，意味着他在物体上进行计算而不是单纯的像素值。
2.5 特征
传统上，根据特征组合理论(FIT)和行为研究[81][82][118]，三个特征用于计算注意力的框架模型：亮度（或者亮度对比），颜色和方向。亮度同时是三个颜色通道的平均值（比如[14][117]，然后通过受LGN和V1皮层内神经元响应启发的中心-周围对比处理。颜色受V1皮层内对比颜色神经元的启发，提取红绿和蓝黄通道。颜色同样也可以用其他空间，比如HSV[50]或Lab[160]。方向则通常利用方向Gabor滤波器处理。运动信息第一次在[119]中被使用，对图像使用定向模板（在大脑运动区域，主要包括MT和MST区域，主要感知运动方向）。一些研究同样加入一些特定的feature来引导注意力，比如皮肤色调[120]，人脸[167]，水平线[93]，小波[133]，gist[92][93]，中心偏执[123]，曲率[124]，空间分辨率[125]，光流[15][126]，flicker[119]，多重叠取向（交叉或角落）[127]，墒[129]，ellipses[128]，对称性[136]，纹理对比[131]，above average saliency[131]，深度[130]和局部中心-周围对比[189]。尽管很多模型使用有FIT[81]提出的特征，其他模型提出了一些其他特征，比如高斯差分（DOG）[144][141]和利用ICA和PCA方法从自然场景中提取的特征[92][142]。对于目标搜索，一些模型使用到了对于物体结构的描述子，比如局部方向直方图[87][199]。详细的关于视觉搜索和注意力导向的重要特征的描述，参考[118][81][82]。因素f10，基于模型使用的特征进行分类。
2.6激励和任务类型
视觉激励首先可以被分成静态（比如search arrays，静态图，因素f4）或动态（比如视频，游戏，因素f5）。视频游戏是互动的，并且高度动态的，因此很难保证每次运行时都有相同的自然顺序，尽管他们落后于自然统计，也不是具有相同的噪声分布。这个机制更加复杂，更自相矛盾，计算更复杂。他们同时包含了大量的认知行为。
第二个区分在于人工合成激励（Gabor录波器块，search arrays，漫画，虚拟环境，游戏，因素f6）和自然激励（图片，自然场景的视频，因素f7）。由于人们生活在动态的世界中，视频和交互场景提供了，相比静态图片，一个更具有说服力的面对视觉系统的任务表达方式。另外一个研究注意力行为的领域的研究-虚拟现实场景代理-在Sprague and Ballard[109]的工作中体现。他们在VR中利用真实的human agent，并使用增强学习（RL）在导航任务中来协调行为选择和视觉感知，比如壁障，保持侧向行走和收集垃圾。
因素f8区分任务类型。三个主要的用来研究注意力模型的任务包括：（1）无约束观察任务，测试员自由的观察激励（没有任何任务或者问题，但是包含了内在的认知任务），（2）视觉搜索任务，观测员被要求在自然场景中寻找旧的东西或者一个特定的物体，（3）交互任务。在很多现实条件下，像驾驶和踢足球这样的任务engage subjects tremendously。这些复杂的任务通常包括很多子任务，比如视觉搜索，物体跟踪和聚焦和分散注意力。
2.7 衡量准则
我们有个模型产出一个显著图S，我们必须通过与眼动数据G相比较来量化衡量。我们如何比较他们？我们把这些图想象成概率分布，利用
Kullback-Leibler(KL)或Percentile标准来衡量两个分布之间的距离。更或者我们考虑S是一个二值分类器，利用信号检测理论分析（ROC曲线下的面积AUC 标准）评估这个分类器的性能。我们还能将S和G想象成随机变量，用相关系数（CC）或Normalized Scanpath Saliency(NSS)来衡量他们之间的统计关系。令一个方法是将G看成是眼动点的序列，并与从显著模型中抽取的注视点序列进行比较（编辑距离）。
从理论上将，任何模型都能用任何标准进行衡量，在图7中，我们列出因素f12表示每个模型中原作者用什么方式进行衡量。在其中，当我们使用Estimated Saliency Map（ESM S），我们的意思是模型的显著图，我们使用Ground-truth Saliency Map（GSM G），我们的意思是通过收集所有的注意点组合成的图，或者组合所有经过人工标注的显著区域形成的图。
从另一个角度讲，注意力模型的衡量准则大体上能够分成三类：1）基于点的；2）基于区域的；3）主观评价。在基于点的评价中，从ESMs中抽取的点与从GSMs中抽取的点相比较。基于区域的评价对衡量注意力很有帮助，在区域显著数据库上通过比较从ESMs上显著区域和人工标注的区域（GSM人工标
注）[133]。在[103]中，使用了评估显著图的主观分数，主观分数主要分为三
个层次：“Good”，“Acceptable”和“Field”。这个主观评价的问题在于很难讲起推广到大规模的数据库上。
下面我们将集中说明这些与文献中保持一致的评价标准，以及给他人提供参考（Percentile[134]，and Fixation Saliency Method(FS)[131][182]）。
Kullback-Leibler(KL)散度：KL散度通常用来衡量两个分布之间的距离。对于显著图讲，同通常是计算显著图值的分布和人眼随机注视点分布之间的距离[145][77]。令t(i)=1...N表示N个实验中的注视点。对于显著模型，ESM在人类注视点x(i,human)和随机点x(i,random)上进行采样。在这些采样点上，显著值归一化到[0,1]之间，然后计算直方图。Hk和Rk分别表示第k个bin里的点的个数。最后KL的计算【参加原文公式1】。具有很高KL值的模型能更好的预测人类注视点的位置，因为观测者通常注视具有很大响应的小部分区域，而忽略具有很小响应的大部分区域。相对于其他评分策略[212][131]KL散度的优点在于：1）其他衡量准则往往计算Hk相对于Rk的右移值，而KL对两个直方图的任何不同都很敏感；2）KL对S的再参数化（比如S的平方，开方以及其他）具有不变性。但是KL的一个缺点是它没有明确的上界，如果两个直方图完全不同，则他们的KL散度将趋向无穷。
曲线形的面积(AUC)：AUC是曲线ROC[195]下的面积。最为最流行的衡量准则，ROC用来衡量具有变量阈值的二值分类器的性能（通常用来在两种方法之间分类，像saliency VS random）。用这种方法，模型的ESM被看作是在图像每个像素点上的一个二值分类器。显著值在阈值之上的点看作是注视点，而在阈值之下的看作是非注视点[144][167]。人注视点看作是ground-truth。通过改变这个阈值，ROC曲线可以在false positive rate和true positive rate 坐标上绘制出来。这个曲线下的面试显示了模型预测人眼注视点的能力大小。最理想的预测对应的score是1.这个准则具有平移不变形的优良特征，对于任何作用在saliency值上的单调递增函数，这个曲线下的面积保持不变。如何ROC 的计算参考文献[192]。
线性相关系数(CC)：这个衡量通常被用在比较两幅图的关系，比如图像校准，物体识别以及不等性衡量[196][197]。线性相关系数衡量两个变量的线性关系【见原文的公式2】。CC的一个有趣的优点是在单一尺度[-1 +1]下比较两个变量。当CC值接近+1/-1时，两个变量之间具有完美的线性关系。
字符串的编辑距离：为了使用这个衡量准则在显著模型产生的感兴趣区域和人眼注视点产生的感兴趣区域之间做比较，显著图和眼运动图首选要聚类成一些区域。这些感兴趣区域ROI用saliency值或者人眼注视值进行排序。结果是排好的字符串形式，像stringA=”abcfeffgdc”和StringB=“afbffdcdf”。编辑相似性距离被定义为：基于三种基本运算（删除，插入以及替换）的最佳方法。【参
考其他书籍对编辑距离的阐述】参考[198][127]。对于这个范围的阐述见[127]。
2.8 数据库
已经有一些在静态图像中眼动数据库（研究静态显著性）和视频（用来研究动态显著性）。在图7中，我们列出因素f13来显示使用的数据库。这里，我们仅仅提及那些主要用来衡量和比较模型的数据库，尽管还有其他工作收集了一些特定目的的数据库（比如：驾驶，三明治制作以及block copying[135]）。
图4和图5总结了图像和视频的眼动数据库。研究者同样适用鼠标滑动来跟踪注视点。尽管这些数据含有噪声，一些前期的结果表现出合理的较好的ground-truth估计。比如，Scheier and Egner[61]表明鼠标滑动模式与眼动跟踪非常相近。基于网页的鼠标跟踪系统有TCTS实验室开发出来[110]。其他有潜力的数据库（不是眼动数据库）是手动标注的库，如PASCAL和Video LabelMe。一些工作用到了这类数据[116]。
3. 注意力模型
以下部分是对不同模型的称述和总结。本文不做翻译。具体请参考原文。
本文最重要的一副图在原文的图7.这里列出来以供参考。
从参考文献看，本文所引用的文献都是2011年及以前的文章。
在所有的参考文献中，有Itti署名的参考文献有19篇。
下面就本文引用的重要的论文的文章列出如下（以引用顺序排序）：
[14] L. Itti, C. Koch, and E. Niebur, “A Model of Saliency-Based Visual Attention for Rapid Scene Analysis,” IEEE Transactions on PAMI, vol. 20, no. 11, pp. 1254-1259, 1998。
[20] J. Najemnik and W.S. Geisler, “Optimal Eye Movement Strategies in Visual Search,” Nature, no. 434, pp. 387-391, 2005.
[41] O. Le Meur, P. Le Callet, D. Barba, and D. Thoreau, “A Coherent Computational Approach to Model Bottom-Up Visual Attention,” IEEE PAMI, vol. 28, no. 5, pp. 802-817, 2006.
[64] G. Heidemann, ”Focus-of-attention from Local Color Symmetries,“IEEE Trans PAMI, vol. 26, no. 7, pp. 817-830, 2004. [95] C. Siagian and L. Itti, “Rapid Biologically-Inspired Scene Classification Using Features Shared with Visual Attention,” IEEE PAMI, vol. 29, no. 2, pp. 300-312, 2007.
[105] V. Mahadevan and N. Vasconcelos, “Spatiotemporal Saliency in Dynamic Scenes.” IEEE P AMI, vol. 32, no. 1, 2010.
[147] D. Gao, S. Han and N. Vasconcelos, “Discriminant Saliency, the Detection of Suspicious Coincidences, and Applications to Visual Recognition.” IEEE Trans. PAMI. vol. 31, no. 6, 2009.
[153] T. Avraham, M. Lindenbaum, ”Esalien cy (Extended Saliency):Meaningful Attention Using Stochastic Image
Modeling,“ IEEE PAMI, vol. 32, no. 4, pp. 693-708, 2010.
[192] X. Hou, J. Harel, and Christof Koch, ”Image Signature: Highlighting sparse salient regions,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012.
【本文完】
上课注意力集中训练题（一） 1、下面每行中都有一些两两相邻、其和等于10的成对数字，在每对相加等于10数字的下 方画上线.例如：564367822691 2、每答对一对数字，则得1分，例如：孩子答对下面共130对，则得分130分。 3、小学生在10分钟内，初中生在7分钟内做完，从一开始做，就一直到做完为止，中间 不能停顿。 A 918569467883234567898765437 B 915321986543421521621728194 C 285689124567521631746135124 D 467382915673429123198265190 E 198274675379880283820324659 F 377089574974550553554465505 G 642876378298245786401825864 H 554744668831345178313141561 I 283212312543782923723632437 J 987868276570198684743289619 K 197382645591842345684567946 L 468246869181944555666677738 M 365917379437676655443322199 N 918273645537291082074567923 O 734855647237802675675676457 P 386918764382928754654543232 Q 754354682546857463529664534 R 439473682474636475697283728 S 619846328764284876597151682 T 542896643682675469457342891 U 654769847389647467647647346 V 738690128537823281817161564 W 642864962818365283607788991 X 829163837846528663377488559 Y 827463961984832845591826437
一二年级注意力训练题（视觉版） 训练目的：训练学习能力，让学生上课专心听讲，考试不粗心，提高学习成绩。 训练要求：每次训练5-10分钟，坚持训练，效果明显。 第一关注意力训练题 训练目的：提高学习注意力视觉注意力 训练方法：把字母行中的 j 找出来，并画上线。 例如：d h r t d j h j D o e n v b j n e b v b j e k u h g j a n g y u b v u e k u h g j a n g y k e s k j d e k j k l o j k i e j i s m k i e l i j i l e u j h j i e j i e j n k s i l e j k s m j w e k j a h x j i k e m j i s k e j n d m k e j j e d j o e k j s l e i j k s m e n n h u e j n s j e m h s j i w m a l i e w o k m e i j m d j e i j i s m e j k s i o j i e j i i v b j n e n u n n j s v i a n u j n b v e j b j e i j k s v i a j n h v k l i j o v n b y v h b k l e i o s l e k i j i e s k e l j i e i j k s m e n n h u e j n s i e e n n h u e j n s j e m h s j i w m a l i v e j i w m a l i e w o k m e i j m d j e i j i k k s j e i k s i e j k s i e j s j k e j 第二关上课不走神题 训练目的：提高学习注意力和视觉分辨能力
第2章视觉注意机制理论分析 2.1 引言 随着信息技术的快速发展，数字图像、视频成为信息的重要载体。如何高效地处理和分析图像数据，理解图像内容已经成为当前的研究热点。众所周知，人类可以从复杂的场景中快速地找到我们感兴趣的区域，容易地完成对场景的理解。这是因为人类视觉系统(Human Visual System/HVS)的信息选择策略，利用视觉注意机制引导人眼在海量数据中注视到显著的区域，并分配资源对重要区域优先进行处理[10]。多数情况下，当我们的眼睛接收到来自外界的大量的视觉信息，大脑并不能对所有的视觉信息进行同时，而是删除大部分无用信息，筛选出少许感兴趣的重要信息，优先对这些视觉信息进行处理。 计算机作为目前处理信息最快的工具之一，在计算机图像处理中引入视觉注意机制，不仅可以提高数据筛选能力和计算机的运算速度，还在物体识别、目标跟踪、图像分析与理解等领域具有重要的应用价值，这就为汽车车牌的快速处理提供了一个很好的解决方法。但是目前的计算机视觉与人类的视觉在能力上存在着巨大的差异。视觉注意机制是涉及生物视觉处理等学科交叉领域，生物视觉与计算机视觉进行的学科交流为理论创新带来了新的思路：一个可行的方法是从研究人类的视觉系统(大脑)如何感知和识别外界视觉刺激出发，模拟人的视觉注意机制，建立一种有效的视觉注意计算模型，使计算机拥有人类所具备的观察和理解世界的能力，并将其应用于静态场景、动态场景的感兴趣区域检测及场景分类中。 2.2 人类视觉感知系统 关于人类的视觉感知系统，尤其是人类自身的视觉神经系统，心理学等相关领域专家已经进行了长期的探索和研究。通过深入研究探索，人们发现人类视觉神经系统中的视觉感官信息在人脑中是按照某一固定路径来进行传递的，其输入的是视觉刺激，输出的是视觉感知，主要是由视觉感官、视觉通路、视感觉中枢组织和视知觉中枢组织组成的，其分别负责视觉信息的生成、传送和分析。其中视觉信息分析过程可分为视感觉分析和视知觉分析，如图 2.1所示。
小学生注意力训练方法（视觉版） 适合对象：三年级至四年级 训练目的:训练学习能力，让学生上课专心听讲，考试不粗心，提高学习成绩。 训练要求:每次训练5-10分钟，家长监督训练结果，坚持训练，效果明显。 第一关考试不粗心题 训练目的: 提高学习注意力，减少粗心现象。 训练方法: 在下面字母行中找出字母”u”,并用圆圈圈起来 w r t y u t y h t u e x v I y g s x I u m o r e u c v t r s a I u r t u c w y y t u e c s x n w d t t e y t w c b n x y u e t c v u n m I t i o w b q u y e t x c I j k e r t u n c r e e u g e r y u z e u t n c I l p q u d u n v w u t u y e o u e g u s x I o u e r t z p r s a u y r b c u e n o d p o u t r t u o I u y e r t v b t m g e x s w e a I u e t b t u e r k d u I o e y t u I p o e r t 第二关上课不走神题 训练目的: 训练视觉注意力，提高学习效率。 训练方法: 找出每行中与其他不一样的字母或汉字，用圆圈圈起来，并记录下来。 BBBDBBBBDBBBBDBBBBDBBBBDBBBDBBBBBDBBBBDBBBDBBBBDBBBDBBB 共( )个 YYYYVYYYVYVYYYYVYYYVYVYYYYVYYYYVYYYYVYYYVYVYYYYVYYVYYYV 共( )个 亏亏弓亏亏弓亏亏亏亏弓亏亏亏弓亏亏亏亏弓亏亏亏亏弓亏亏共( )个 少少小少少小少少少少小少少少少小少少少小少少少小少少少共( )个 大太大大大太大大太大大大大太大大大太大大大太大大大大太共( )个 友友友支友友支友友支友支友支友友友支友友支友支友友支友共( )个 第三关细心写作业题 训练目的: 提高视觉集中能力，培养认真学习态度。 训练方法: 从下面的数字行中把所有2332圈出来。 2332 3322 2332 3223 3232 2323 3322 2332 3232 2332 2233 3322 2323 3232 2332 2323 3223 2323 3322 2332 2332 3232 2233 3232 3322 3223 2332 2233 3322 2233 2323 2332 2233 2332 3223 3322 2332 3223 3322 2233
题目：注意力模型的当前发展水平 作者：Ali Borji, and Laurent Itti 摘要：视觉注意力的建模，特别是刺激驱动的，基于显著性的注意力，在过去25年内已经是一个非常活跃的研究领域。现在有很多不同的模型，除了给其他领域带来理论贡献以外，这些模型已经在计算机视觉，移动机器人，和认知系统展示出成功的应用。这里我们从计算角度综述应用在这些模型的基本概念。我们提出了对大概65个模型的分类，提供了一个方法、性能和缺点的关键的比较。特别是，提出了从行为研究和计算研究得出的13个标准，来量化笔记注意力模型。并且，我们解决了一些具有挑战的模型问题，包括计算模型的生理解释，与眼动数据库的关系，自上而下和自下而上的分离，以及构建有意义的性能指标。最后，我们突出注意力模型的今后研究方向，为未来提出见解。 1，介绍 每秒钟有大量的视觉信息进入人们的眼睛[1][2]。如果没有一个智慧的机制来滤除视觉数的中的错误的数据，实时处理这些数据将是一个非常恐怖的事情。高层次的认知和复杂处理，比如物体认知或者场景理解，都依赖这些经过这种方式【注：一个智慧的机制来滤除视觉数的中的错误的数据】转换过的易处理的数据。本文将讨论的这个机制就是视觉注意力，他的核心在于选择机制的思想以及相关的概念。对人类来说，注意力通过已经进化为高分辨率的中央凹的视网膜【注：中央凹（central fovea）：是眼球后极视网膜上一个浅黄色的区域，称为黄斑。其中央有一椭圆形小凹，称为中央凹】和一个底分辨率的周围区域实现的。尽管视觉注意力将这些解剖学组织指向场景中的重要部分来采集更具体的信息，（视觉注意力模型的）主要问题是基于这个指向的计算机制。 近年来，科学研究的很多方面已经旨在回答这个问题。心理学家研究了视觉注意力的相关行为，比如变化盲点[3][4]【注：变化盲点Change blindness 是一个心理学现象，当刺激发生变化时，人们往往无法注意到】，无注意力盲点[5]【注：无注意力盲点inattentional blindness是我们无法注意到一些显而易见的激励】和注意瞬脱[6]【注：注意瞬脱attenional blink是指在一个连续的注视过程中，我们会短时间内无法注意到一些显著的物体或者其他东西】。神经生理学家证明了神经元是如何适应自己来更好的感知感兴趣的物体 [27][28]。计算神经科学家已经构建了现实的神经网络模型来模拟和解释注意力行为（比如[29][30]）。受这些研究的鼓励，机器人学家和计算机视觉科学家已经试图解决计算复杂度的内在问题来构建能够实时工作的系统（比如[14][15]）。尽管现在在以上提及的研究领域已经有很多模型，这里我们仅讨论能够计算图像或者视频的显著图的模型（见下节的定义）。对于计算视觉注意力的计算模型的一般综合，包括偏向竞争[10]，选择调节[15]，注意力模型的规范化[181]，和其他模型，参考[8]。从心理学、神经生理学以及计算角度出
视觉注意力训练方法是什么 孩子的视觉和注意力是比较关键的部分，在孩子的成长发育期间家长可以对孩子进行视觉和注意力的训练，平时可以跟孩子一起做手工或者是观看图画，做亲子游戏等活动，需要长期坚持才能使孩子的视觉和注意力更加集中，对孩子的大脑发育也很好。 ★视觉和注意力的训练方法 ★针对性训练才有效果：健知注意力提升课程先通过一个评估量表初始定制课程方案，再根据训练结果反馈动态调整方案，为每个学员个性化定制最高效的训练提升方案。 ★家庭训练容易坚持：注意力训练就像锻炼身体一样，每天30-40分钟就足够但需要长期坚持，健知训练课程随时随地可以进行，并且趣味性高，依从性好课程完成率很高。 ★不只是提升注意力：注意力不足的孩子往往在学习相关的感知觉功能和读写能力方面存在落后，训练课程包含注意力提升、感知觉提升和读写力提升三大部分，全方位提升注意力和学习能
力。 ★在线训练+教材训练+家庭教育指导科学搭配：在线训练采用计算机小游戏的形式，主要进行需要控制素材呈现时长，记录反应时间的训练任务;教材训练主要进行需要动手动笔，动脑筋 规划执行的训练任务;家庭教育指导主要围绕孩子在日常学习和 生活中的注意力问题的教养方法、辅导方法和亲子关系进行指导。 1、注意力与学习相关的感知觉功能训练，分为五大训练模块：注意力，记忆力，视知觉，协调性，执行力。每个模块下面又分列为若干不同的训练模式和难度阈值。 研究表明，注意力与感知觉功能与多种学习进程相关，训练课程通过个性化的注意力与感知觉功能训练，提升注意力与学习相关的感知觉功能。主要包括：主动注意力(注意察觉、注意维持、注意瞬脱、注意广度、选择注意、分配注意;打开学习的知 觉门户);视觉记忆、听觉记忆、工作记忆(增强信息的存取);视 空间感知和运动整合(阅读、书写、视听转化的基础);协调性(手眼协调、感觉统合;阅读、书写的基础);执行力(策略、排序、逻辑;文意理解和数学思维的基础)。通过训练后注意力缺陷与读写
2012年第12期 吉林省教育学院学报 No.12，2012 第28卷JOURNAL OF EDUCATIONAL INSTITUTE OF JILIN PROVINCE Vol .28（总288期） Total No .296 收稿日期：2012—10—18 作者简介：陈梦泽（1984—），男，吉林长春人，长春师范学院数学学院，助教，硕士。研究方向：图像处理，视频图像水印，计算视觉等。 人类视觉注意力的发展与分析 陈梦泽 （长春师范学院数学学院，吉林长春130000） 摘要：人类视觉在面对复杂场景时，会迅速将注意力集中在显著性区域，从而发现其感兴趣的目标。由于注意力选择机制的存在，这种处理的精确性和速度会超过机器视觉。因此如何设计出能够模拟人类视觉注意力的模型是现在我们亟待解决的问题。 关键词：视觉注意；显著图；视觉特征中图分类号：TP391．41 文献标识码：A 文章编号：1671—1580（2012）12—0139—02 人类进行视觉信息的处理主要通过人类视觉注意这一重要的心理调节机制， 在信息爆炸的社会，有大量视觉信息输入的时候做有机筛选变得非常有必要，视觉注意力提供了这样的功能。人类视觉系统可以帮助我们过滤一些不相关的信息，更加关注感 兴趣的事物， 通过及时分析视频中主要的信息（颜色、亮度、轮廓、运动等），从而快速地提取关键目标对象。将这种机制引入到图像分析领域可以大大提高图像处理的效率。它主要应用在下面几个主要领域：图像和视频的压缩及编码、信息隐藏和数字水 印、 目标分割和检测识别、图像检索、场景分析等 。 一、静态图像影响视觉注意程度的主要因素 图1观察图像 最基本的视觉信息包括：颜色、亮度、轮廓、位置 等。根据人类视觉处理信息的流程， 对于静止的图像，底层视觉特征是影响视觉注意程度的首要因素：物体的亮度越高越容易被关注、物体的边缘有较高的对比度可以得到更多的注意，颜色越鲜艳则在图片中更突出。例如我们在看到图1时，我们会在第 一时间注意到鱼，两只鱼在视觉上是显著的，它们的 颜色和形状都和背景不一样， 在水中很明显。这种明确的视觉特性差异是由物理刺激形成的。同时高层信息对注意力也有较大影响：例如人们会更注意 尺寸大的或者细长条的物体， 位于区域中央25%的区域比其余部分注意度高，例如图1中鱼的位置在图片的中央，就单一物体来说在画面中最大；前景比 背景包含更多的语义信息， 则具有更高的注意程度，例如在包含有人物的图像中，人物尤其是面部及面部器官更容易吸引注意。 对于静态图像的视觉注意力的研究有很多经典的模型。最早的Treisman 提出的特征整合理论，把视觉信息处理过程分为前注意阶段和集中注意阶段，在前注意阶段提出各种视觉特征，并在注意阶段 以串行方式整合为视觉客体。在此基础上， 1990年，Wolfe 提出了指向性搜索理论，对一幅图像，通过滤波得到各个视觉特征的特征图，然后通过不同 的加权方式将其综合成一张特征图， 图像中幅度大的地方就是感兴趣的区域。1998年， Itti 等在Koch 的理论框架基础上提出了显著性的视觉注意模型，它的目标选择是基于自底向上数据驱动的，通过特征提取、显著图生成和注意焦点的转移三个过程来选取目标对象。 二、动态图像影响视觉注意程度的主要因素在视频中除了有静态图像影响视觉注意程度的因素外，最引人注意的是运动特征，高速行驶的汽车总要比静止的路标更吸引人的注意。随着时间的推 9 31
小学生学习能力教育训练 适合对象：五年级至六年级 时间:____月____日第____周星期______ 学生姓名__________ 训练目的:训练学生学习能力,能使学生上课专心听讲,考试不粗心,提高学习成绩 训练要求:每天训练10分钟,由家长监督训练结果,必须每天坚持训练,效果明显 第一关考试不粗心题 训练目的:提高考试注意力和视觉分辨能力 训练方法:找出每组中与其他不一样的数字字母和汉字，用圆圈把它们圈起来并记录下来99899 共( )个YTYTTYTTTYTTTTYTTTYTTTYTTTYTTTYTTTYTTTYTTTYTTTYTYTTTT 共( )个bbpbbbbpbbbbbpbbbbpbbbbpbbbbbpbbbbbpbbbbbpbbbbpbbbbpb 共( )个BBBDBBBBDBBBBDBBBBDBBBBDBBBDBBBBBDBBBBDBBBDBBBBDBBBBB 共( )个 人人人人八人人人八人人八人人八人人人人八人人人八人人共( )个 正正正五正正正正五正正正正正正五正正正正五正正五正正共( )个 天天天天无天天天无天天天天无天天天天无天天天无天天天共( )个 第二关细心写作业题 训练目的:提高学习注意力和细心态度 训练方法:查下面的数字表,看“23”共出现多少次,如“03023”算有一个“23”,“23523”算有两个“23”,找找下面到底有多少个“23” 26876 23456 32455 56432 45445 52344 65454 54375 23568 23468 97865 56423 67432 23345 25236 42353 54908 52387 54323 23695 57232 31685 76439 35785 42356 94232 91423 58653 28943 68234 72134 43678 62345 51243 62345 25723 43234 65465 34363 56523 94232 46556 91423 58653 28943 23345 25236 42353 52344 52354
预测控制的现状和发展前景 预测控制一经问世，即在复杂工业过程中得到成功应用，显示出强大的生命力，它的应用领域也已扩展到诸如化工、石油、电力、冶金、机械、国防、轻工等各工业部门。它的成功主要是由于它突破了传统控制思想的约束．采用了预测模型、滚动优化、反馈校正和多步预测等新的控制策赂，获取了更多的系统运行信息，因而使控制效果和鲁棒性得以提高。 预测控制的理论研究工作也取得了进展。比如采用内模结构的分析方法，为研究预测控制的运行机理、动静态待性、稳定性和鲁棒性提供了方便。运用内模结构的分析方法还可找出各类预测控制算法的共性，建立起它们的统一格式，便于对预测控制的进一步理解和研究。此外，将预测控制与自校正技术结合起来，可以提高预测模型的精度；减少预测模型输出误差，提高控制效果。但现有的理论研究仍远远落后于工业应用实践。从目前发表的文献来看，理论分析研究大多集中在单变量、线性化模型等基本算法上：而成功的工业应用实践又大多是复杂的多变量亲统；这表明预测控制的理论研究落后于工业生产实际；因此，如何突破现状，解决预测控制中存在的问题，对促进这类富有生命力的新型计算机控制算法的进一步发展有重要意义。下面就目前预测控制中存在的主要问题和发展前景作些探讨。 (1) 进一步开展对预测控制的理论研究，探讨算法中主要设计参数对稳定性、鲁棒性及其他控制性能的影响，给出参数选择的定量结果。 上述问题的主要困难是，由于采用以大范围输出预测为基础的在线滚动优化控制策略，使得预测控制闭环输入、输出方程非常复杂，其主要设计参数都足以蕴含的方式出现在闭环传递函数中，因而难以用解析表示式表示出各参数变化对闭环系统动、静态特性、稳定性和鲁棒性的影响，给出设计参数变化的选择准则。要突破这一点，还要做大量工作，需要探讨新的分析方法。 (2)研究当存在建模误差及干扰时，顶测控制的鲁棒性，并给出定量分析结果。 在设计控制系统时，对于建模误差及干扰等的影响，并未考虑在内。实际上，为了简化问题，常对模型作降阶处理及其他简化，对一些次要的动特性和外部扰动也予以忽略。在这种情况下，系统在运行过程中能否保证稳定，具有所期望的控制性能，并能保证到什么程度，这就是的“近年来所谓的“控制系统的鲁棒性”问题。所谓鲁棒性是指系统的稳定性及其性能指标对结构和参数变化的不敏感性，也就是当内部和外部条件变化时，系统本身仍然能保持性能良好的运行的鲁棒程度。鲁棒性分为稳定鲁棒性和性能鲁棒性两种，稳定鲁棒件说明实际系统偏离设计所用数学模型，出现模型误差时，系统保持闭环稳定性的能力。性能鲁棒性是表示实际系统偏离设计所用数学模型时，系统保持满意性能的能力。虽然性能鲁棒性隐含着稳定的要求，但其着眼点不是集中在稳定性上，至今控制系统统的鲁棒性主要是研究稳定鲁棒性，因为稳定性是—个控制系统首先要保证的条件。 分析预测控制系统的稳定鲁棒性有一定难度。当过程模型采用非最小化的非非参数模型时，如MAC、DMC等，研究闭环系统的稳定鲁棒性涉及到高阶多项式稳定性的判别问题．且可调设计参数又隐含在闭环传递函数中，难于找出它们与稳定鲁棒性的定量关系，增加了分析的难度，当过程模型采用最小化的参数模型时，如GPR，GPP等，虽模型的参数个数少了，可大大降低闭环特征多项式的阶次，有可能定量地分所闭环系统的稳定鲁棒性。但因为采用了最小化的经简化后的低阶模型，没有包含在模型内的未建模动态和于扰等，在某些特定条件下有可能被激发，导致系统无法稳定运行，这其中所遇到的问题与研究自适应控制系统鲁棒性的问题相类似，解决这一问题，尚需进—步做工作。 当前，研究预测控制系统的稳定鲁棒性，除了继续从理论上进行探讨、研究新的分析方
视觉专注力训练一（5分钟） 1、WVWWVVWWVWVWWVVWWVWWVWVVWWWVVWVWV W 共有（ ）个；V 共有（ ）个 2、DBBDDBDBDBDDBBDDBDBDBDDDBBDBDDBDDDBDDBDB D 共有（ ）个；B 共有（ ）个 3、MNNMMNMNMMMNNMNMNNNMMNMNMNMMMNNMNMN M 共有（ ）个；N 共有（ ）个 4、OCOCCOOCOCOCCOCOCOOOCCCCOCOCOCOOCCCOOOCOC O 共有（ ）个；C 共有（ ）个 5、GCGCGCCCGGGCCGCGCGCCCGCCGCGGCGGGGCCGCGCGC G 共有（ ）个；C 共有（ ）个 6、EFEFFEFFEFFEFEFEFFFEEEFFEFEFEFFEFEFEEFFEFEFFEFFEF E 共有（ ）个； F 共有（ ）个 7、XYXYXYXYXYXYXXYYXYXXXXXXYYYXYXYXYYYXYXY X 共有（ ）个；Y 共有（ ）个 8、HLHLHLHHLLLHLHLHLHLHHHLHLLLLHLHHLHLHLHLLHLH H 共有（ ）个；L 共有（ ）个 9、TFFTFTTTFTFTTFTTFTTFTTFTTTTFTFFFFTFTFTTFTFTFTFTF T 共有（ ）个；F 共有（ ）个 10、RKKRRKRKKKRKRKRRKRRKRKRKRKKKRKKKRRRRKRKK R 共有（ ）个；K 共有（ ）个 《全脑教育研究室》专注力训练 学员姓名：
1、&##&&##$#$#$&&$#&&##$#&$&$$&#&$&#$&&$$#$#$&$##& #共有（）个；$共有（）个；&共有（）个2、@%&%@&@%%&%&&%%@%@%&%@&%@%@&%&&@@ @共有（）个；%共有（）个；&共有（）个3、bdccdbcdbdbcdbbccbcdbdbbdbcbddbcdbdbddcbdbdbcdcdbbccbdbcdbd b共有（）个；c共有（）个；d共有（）个4、pqgpqgqgqppqgqpgqgqpqgqpgqpqqgpqpgqpggpqgpqqgpgqpggpqggpq p共有（）个；q共有（）个；g共有（）个5、ceoecceoeoooeccecocoeecoeoccoeceoceoceoooecceocoeoceocoecoeeo c共有（）个；e共有（）个；o共有（）个6、uvvuwuvwuvvwuvuuuvwwuvwvuvwuvuuwvuvwuvuwuvuwuwvvwuv u共有（）个；v共有（）个；w共有（）个7、nmmhhnmnhmnhmnmnnmhmhmnmhmnhmhmmmhnnhmhnnmhhhnm n共有（）个；m共有（）个；h共有（）个8、kxvxkxkxxxkvkkvxvkxvvxkkxvxvxkvkkkvvxvxkvkxvxxkvvkvxkvvkx k共有（）个；x共有（）个；v共有（）个9、×÷+××+÷+÷+×++÷+÷+×÷+×+÷+××+×++×+÷÷+ ×共有（）个；÷共有（）个；+共有（）个10、≥＜≥＞＜＜≥＜＞≥＜≥＞≥＜＜≥＞＞≥＞≥＜≥≥＞＜＞ ＞共有（）个；＜共有（）个；≥共有（）个
舒尔特方格是在一张方形卡片上画上1CM X 1CM的25个方格，格子内任意填写上阿拉伯数字 1 —25的共25个数字。训练时，要求被测者用手指按 1 —25的顺序依次指出其位置，同时诵读出声，施 测者一旁记录所用时间。数完25个数字所用时间越短，注意力水平越高。 测试者请根据您的最快速度作答！ 舒尔特方格评分标准 数完25个数字所用时间越短，注意力水平越高。 5-7岁年龄组：达到30秒以下为优秀，46秒属于中等水平，班级排名会在中游或偏下，55秒则问 题较大? 7-12岁年龄组：能达到20秒以下为优秀，学习成绩应是名列前茅，36秒属于中等水平，班级排名会 在中游或偏下，45秒则问题较大，考试会出现不及格现象。 12 ―― 14岁年龄组：能达到16 "以下为优秀，学习成绩应是名列前茅，26 "属于中等水平，班级 排名会在中游或偏下，36 "贝恫题较大，考试会出现不及格现象。 18岁及以上成年人：最好可达到8 "的水平，20 "为中等水平。顺便说一句，想买车的朋友，如果你的注意力水平达不到20 "，请您在学习和考取驾驶执照前，先把注意力练好，否则，上路之后，肯定是个“马路杀手”。因为所有的交通事故都与注意力水平因素相关，这就是北京老百姓俗话说的“眼睛不够使的”，其 中以疲劳驾驶为最，因为疲劳状态下，是注意力最不集中的时段。为了您和他人的安全，请练注意力。为了轻松考取好成绩，获得终生的竞争力，请家长练练孩子的注意力。
注意力能否集中对于孩子的学习是非常重要的，没有注意力，学习的内容就记不住。那该如何培养和训练孩子的注意力呢？我总结了一下，具体做法有这样四种，即视觉注意力训练、听觉注意力训练、动作注意力训练和混合型注意力训练。 1、视觉注意力训练 让孩子看一些照片或动物图片，并且提出一些问题。比如给孩子看一张照片，让他说说照里都有什么人，几个男的、几个女的、几个大人、几个小孩儿、他们每个人都在干什么、手里拿的是什么等等。再比如让孩子观察桌子上的水果，然后让他说出它们的名称、颜色等等，不过让孩子观察的东西要不断的变换，不然孩子就会感到没兴趣了。 2、听觉注意力训练 给孩子讲故事，事先说好了，故事讲完了之后要提出问题让他回答，如果能够在讲故事之前就把要问他的问题提前告诉他（假如这些问题能够引起他的兴趣），相信效果会更好。这就好比我们听老 师讲课一样，如果事先做好了预习，找出了自己有疑问的地方，在听讲时就会特别心，因为是带着要寻找答案的愿望去听的。当然这样做，一开始孩子可能会只顾找答案而忽略了其他内容，不过训练的次数多了，提的问题也增多了，这样孩子就会把注意力放在整个故事上了。 3、动作注意力训练 就是通过让孩子完成特定的动作来达到训练注意力的目的。比如教他做一些体操动作、舞蹈动作或一些游戏动作，都能达到这种效果。可以进行“请你跟我这样做”这个游戏，大家围一个圈，前一个人做什么动作，紧挨着他的人就学着做这个动作，第三个人又学第二个人的动作，以此类推，谁要是跟不上就要罚唱歌，可以让小朋友们一起来做这个游戏，也可以全家人一起来做。 4、混合型注意力训练 实际上就是把眼睛看、耳朵听和做动作结合起来，既训练了视觉和听觉，又训练了动作，这种混合型注意力的训练难度大，注意力稍不集中就可能乱套，所以做这种类型训练要从最简单的动作开始，不能操之过急，可以边说边示范给孩子看，让孩子跟着做，比如说出一种物品的名称，让孩子把它指出来等。 除了对孩子进行注意力训练之外，还有一点也不能忽略，那就是找出孩子注意力不能集中的原因，这样就可以对症下药，根据孩子的弱点，一方面帮助他排除和解决一些防碍他集中注意力的因素，另一方面配合注意力的训练，提高孩子的自我控制能力。其实有时孩子对于和学习没有关系的一些动作、行为不能够做到自我控制，这说明他还不能够分清楚哪些是在上课时不应该做的行为，所以就有必要 帮助他建立这种纪律观念，然后再配合一些训练。在家里可以规定好学习的地方和时间，并且要求他学习时要专心学习，不做其它的事，也不随便说话，每次做到了就加以称赞鼓励，相信时间长了一定会收到成功。 家庭中针对孩子注意力不集中的训练方法 孩子注意力不集中，易分心，是很多孩子具有的特点。年龄越小，控制注意力的时间越短，小学 一年级的学生一次集中注意力时间至多也只有15分钟。这是由于孩子的神经系统发育还不够完善处 在发育当中，注意力不集中这种情况将随着年龄的增长渐好转。而小学要求学生上课要坐40分钟，
一、视觉敏捷力测试 1．训练方法:找出每组中与第一个字母或汉字不一样的，用圆圈把它们圈起来并记录下来。BBBDBBBBDBBBBDBBBBDBBBBDBBBDBBBBBDBBBBDBBBDBBBDBDBB共()个YYYYVYYYVYVYYYYVYYYVYVYYYYVYYYYVYYYYVYYYVYVYVYYVY共()个 亏亏弓亏亏弓亏亏亏亏弓亏亏亏弓亏亏亏亏弓亏亏亏亏弓亏亏弓共()个 少少小少少小少少少少小少少少少小少少少小少少少小少少少小共()个 大太大大大太大大太大大大大太大大大太大大大太大大大大太大共()个 友友友支友友支友友支友支友支友友友支友友支友支友友支友支共()个测试目标：培养学生视觉的敏捷性、分辨性、专注性。利用眼睛来完成分辨的任务，必须在注意力高度集中的基础上才能完成，通过不同的视觉任务可以有效的进行专注力的训练。 测试要求：每组数只准看一遍，不能回读。 测试结果评定：如果学生在2分钟之内完成，说明视觉敏捷性已经达到很“专注”的水平了；如果是在2到5分钟之内完成，说明视觉敏捷性“比较一般”；如果5分钟之后完成或未完成，说明视觉敏捷性“很差”。 二、测试说明：下面的100个数字是打乱顺序后排列的，请你按照顺序在里面找出15个数字来，例如从1～15或从2～16或30～44等，记录下你找到这15个连续数字所花的时间。 12 33 40 97 94 57 22 19 49 60 27 98 79 870 13 61 680 99 541 95 14 76 81 59 48 93 28 20 96 34 62 50 368 16 78 39 86 742 11 82 85 38 87 24 47 63 32 77 51 71 21 52 4969 35 58 18 43 26 75 30 67 64 88 17 46 53 172 15 54 10 37 23 83 73 84 90 44 89 66 91 74 92 25 36 55 65 31 045 29 56 2 测试目标：测试你在集中注意力时的记忆程度与视觉注意的广度。 测试要求：测试前可看一遍，目视完成，不能回做。 测试结果评定：如果学生在30～40秒内就找到了15个连续数字，那集中注意力时的记忆程度就属于“优等”了，大约只有5%的人有这样的能力；如果有的学生只用了40～
视觉注意力训练 让孩子看一些照片或动物图片，并且提出一些问题。比如给孩子看一张照片，让他说说照里都有什么人，几个男的、几个女的、几个大人、几个小孩儿、他们每个人都在干什么、手里拿的是什么等等。再比如让孩子观察桌子上的水果，然后让他说出它们的名称、颜色等等，不过让孩子观察的东西要不断的变换，不然孩子就会感到没兴趣了。 2 听觉注意力训练 给孩子讲故事，事先说好了，故事讲完了之后要提出问题让他回答，如果能够在讲故事之前就把要问他的问题提前告诉他（假如这些问题能够引起他的兴趣），相信效果会更好。这就好比我们听老师讲课一样，如果事先做好了预习，找出了自己有疑问的地方，在听讲时就会特别心，因为是带着要寻找答案的愿望去听的。当然这样做，一开始孩子可能会只顾找答案而忽略了其他内容，不过训练的次数多了，提的问题也增多了，这样孩子就会把注意力放在整个故事上了。 3 动作注意力训练
就是通过让孩子完成特定的动作来达到训练注意力的目的。比如教他做一些体操动作、舞蹈动作或一些游戏动作，都能达到这种效果。可以进行“请你跟我这样做”这个游戏，大家围一个圈，前一个人做什么动作，紧挨着他的人就学着做这个动作，第三个人又学第二个人的动作，以此类推，谁要是跟不上就要罚唱歌，可以让小朋友们一起来做这个游戏，也可以全家人一起来做。 4 混合型注意力训练 实际上就是把眼睛看、耳朵听和做动作结合起来，既训练了视觉和听觉，又训练了动作，这种混合型注意力的训练难度大，注意力稍不集中就可能乱套，所以做这种类型训练要从最简单的动作开始，不能操之过急，可以边说边示范给孩子看，让孩子跟着做，比如说出一种物品的名称，让孩子把它指出来等。 5 除了对孩子进行注意力训练之外，还有一点也不能忽略，那就是找出孩子注意力不能集中的原因，这样就可以对症下药，根据孩子的弱点，一方面帮助他排除和解决一些防碍他集中注意力的因素，另一方面配合注意力的训练，提高孩子的自我控制能力。其实有时孩子对于和学习没有关系的一些动作、行为不能够做到自我控制，这说明他还不能够分清楚哪些是在上
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910300859.7 (22)申请日 2019.04.15 (71)申请人 方玉明 地址 330013 江西省南昌市江西财经大学 麦庐园校区信息管理学院 (72)发明人 方玉明 黄汉秦 左一帆 温文媖 万征 (74)专利代理机构 北京科亿知识产权代理事务 所(普通合伙) 11350 代理人 汤东凤 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/32(2006.01) G06N 3/04(2006.01) (54)发明名称一种基于多模块全卷积网络的三维视频视觉注意力检测方法(57)摘要本发明涉及一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于：首先利用图片数据集训练静态全卷积网络（S -FCN）来获取空间特征，从而求得三维视频帧的空间显著性；其次利用二维视频数据集训练动态全卷积网络（T -FCN）并结合其相应的S -FCN结果来获取运动信息，从而求得三维视频帧的时间显著性；最后利用三维视频数据集训练深度全卷积网络（D -FCN）并结合对应的T -FCN结果来获取深度信息，从而求得三维视频最终的视觉关注图。实验结果在三维视频的视觉关注图中展现了良好的 效果。权利要求书2页 说明书7页 附图2页CN 109993151 A 2019.07.09 C N 109993151 A
1.一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于：首先利用静态全卷积网络(S -FCN)提取空间特征，从而求得三维视频帧的空间显著性；其次利用动态全卷积网络(T -FCN)提取运动信息，从而求得三维视频帧的时间显著性；最后利用深度全卷积网络(D -FCN)提取深度信息，求得三维视频帧的最终视觉关注图。 2.根据权利要求1所述的一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于：还包括视觉特征，视觉特征包含：空间特征、运动特征、深度特征。 3.根据权利要求2所述的一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于：先利用图片数据集训练好静态全卷积网络(S -FCN)，然后分别用三维视频的左右视图去测试S -FCN，得到各自带有空间特征的显著图。 4.根据权利要求2所述的一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于：利用二维视频数据集以及视频帧对应的S -FCN结果去训练动态全卷积网络(T -FCN)，然后分别用三维视频的左右视图去测试T -FCN，得到各自带有运动特征的显著图；利用三维视频数据集以及视频帧对应的T -FCN结果去训练深度全卷积网络(D -FCN)，最终用三维视频的左视图去测试D -FCN，得到最终的三维视频视觉关注图。 5.根据权利要求3或4所述的一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于： 在各个子网络训练过程中的损失函数可由式(1)来表达： y i 代表训练数据集中的标签图，y i ∈(y 1，y 2，...，y N )；N代表输入数据的数量；y`i 代表网络计算出来的显著图。 6.根据权利要求3或4所述的一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于： 各个子网络的激活函数Relu可由式(2)来表达： x代表激活函数的输入。 7.根据权利要求3或4所述的一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于： 各个子网络的优化算法Adam可由式(3)来表达： m t 和v t 分别为一阶动量项和二阶动量项；β1、β2 为动力值大小通常分别取0.9和0.999；分别为各自的修正值；W t 表示t时刻即第t迭代模型的参数；g t ＝ΔJ(W t )表示t次迭代代价函数关于W的梯度大小；∈是一个取值很小的数，为1e -8。 8.根据权利要求1所述的一种基于多模块全卷积网络的三维视频视觉注意力检测方法，其特征在于：网络框架包含三个子网络，它们分别是：用于计算空间显著性的静态全卷积网络(S -FCN)，用于估计时间显著性的动态全卷积网络(T -FCN)，以及用于估计深度显著性的深度全卷积网络(D -FCN)；在三个子网络中，它们的网络结构类似：在上采样的过程中，包含13个卷积层；在下采样的过程中，包含4个反卷积层和7个卷积层。 权 利 要 求 书1/2页2CN 109993151 A
预测PID控制算法的基本原理及研究现状 邵惠鹤任正云 邵惠鹤先生，上海交通大学自动化系教授；任正云先生，博士。 关键词：模型预测控制预测PID控制算法 在现今全球竞争日益激烈的市场环境下，通过先进控制获取经济效益来提高企业竞争力，已成为一种趋势。据有关文献报道(薛美盛等， 2002)，各种不同石油化工装置实施先进控制后，其每年净增效益如表1所示。虽然各公司所报出的年效益有所不同，但其数据出入不大，而实施先进控制所需成本只占其产生效益的很小一部分比例。 国外发达国家经验表明(孙德敏等， 2003)：采用先进控制理论和过程优化将增加30%的投资，但可提高产品层次和质量，降低能源和原材料消耗，从而增加85%的效益，如图1所示。投资70%的资金购置DCS，换来的是15%的经济效益；再增加30%的投资，可以换来85%的经济效益。其中增加的8%用于传统的先进控制(TAC)，得到的经济效益是8%；增加的13%用于预测控制(DMC)，得到的经济效益为37%；增加的9%用于在线闭环优化(CLRTO)，换来的经济效益是40%！因此，实施先进控制与优化是不用投资的技术改造。 然而，控制理论本身也面临着一些问题和困难，需要不断改进和提高。尽管大量新的控制算法不断涌现，但常规的PID及改进的PID控制算法仍广泛应用于工业控制领域。一些先进控制算法专用性强、适应性差、鲁棒性能差、算法复杂、实施和维护成本高，这些都限制了它们的推广和发展。据日本控制技术委员会(SICE)对110家企业和150位控制工程师调查显示(Huruo, 1998)，近20年来，工业界迫切需要解决的控制难题分别是：大滞后、强耦合、时变、严重干扰以及非线性对象的控制，这些问题始终都没有得到切实有效的解决。部分先进控制理论理论性太强，实际应用需做大量的改进和简化，使先进控制具备鲁棒性是当前重要的发展方向。 在先进控制技术中，最有应用前途的是模型预测控制，该技术经历了4代发展，已非常完善和成熟了。第一代模型预测技术以DMC(Cutler, 1979)和IDCOM(Richalet, 1978)两种商业产品为标志；QDMC(Garcia, 1986)标志着第二代
儿童视觉注意力训练题 一、视觉敏捷力测试 1．训练方法:找出每组中与第一个字母或汉字不一样的，用圆圈把它们圈起来并记录下来。 BBBDBBBBDBBBBDBBBBDBBBBDBBBDBBBBBDBBBBDBBBDBBBDBDBB共()个 YYYYVYYYVYVYYYYVYYYVYVYYYYVYYYYVYYYYVYYYVYVYVYYVY共()个 亏亏弓亏亏弓亏亏亏亏弓亏亏亏弓亏亏亏亏弓亏亏亏亏弓亏亏弓共()个 少少小少少小少少少少小少少少少小少少少小少少少小少少少小共()个 大太大大大太大大太大大大大太大大大太大大大太大大大大太大共()个 友友友支友友支友友支友支友支友友友支友友支友支友友支友支共()个 ★测试目标：培养学生视觉的敏捷性、分辨性、专注性。利用眼睛来完成分辨的任务，必须在注意力高度集中的基础上才能完成，通过不同的视觉任务可以有效的进行专注力的训练。 ★测试要求：每组数只准看一遍，不能回读。 ★测试结果评定：如果学生在2分钟之内完成，说明视觉敏捷性已经达到很“专注”的水平了；如果是在2到5分钟之内完成，说明视觉敏捷性“比较一般”；如果5分钟之后完成或未完成，说明视觉敏捷性“很差”。 2.测试说明：下面的100个数字是打乱顺序后排列的，请你按照顺序在里面找出15个数字来，例如从1～15或从2～16或30～44等，记录下你找到这15个连续数字所花的时间。 12 33 40 97 94 57 22 19 49 60 27 98 79 870 13 61 680 99 541 95 14 76 81 59 48 93 28 20 96 34 62 50 368 16 78 39 86 742 11 82 85 38 87 24 47 63 32 77 51 71 21 52 4969 35 58 18 43 26 75 30 67 64 88 17 46 53 172 15 54 10 37 23 83 73 84 90 44 89 66 91 74 92 25 36 55 65 31 045 29 56 2 ★测试目标：测试你在集中注意力时的记忆程度与视觉注意的广度。