摘要：为提高管制员培训的针对性和有效性,提升管制过程的安全性,提出使用注意力稳定性、注意力分配与转移和注意力广度3个指标,作为注意力特征的评价指标;设计并开展管制过程模拟管制试验,采集分析36名成熟管制员的眼动数据;提出选取兴趣区访问次数方差(VVC)、马尔可夫转移概率(MTP)和特情反应时间(RT)3个参数,将其作为刻画注意力特征3个评价指标对应的量化参数值,再使用K-Means聚类分析法对管制员的注意力特征进行分类,得到管制员注意力特征的评价值的结果分类区间,并对比评价结果与教员打分结果。结果表明:根据注意力特征,将管制员分成4类,一类为最优,四类为最差。优秀管制员具有注意力稳定性好、注意力分配合理、注意广度大和对特情敏感的特点,其量化参数值包括:VVC为13.48~95.46,MTP为0.03~0.22,RT为3~31 s。

摘要：基于深度学习的人体姿态估计广泛应用于姿态识别、人机交互等领域.为了提升人体关键点的检测精度,很多网络采用运算量、参数量和复杂度不断增加的模型架构,导致无法直接部署到低算力设备.为了解决上述问题,本文提出了一种多路特征注意力融合的轻量型方法.模型基于HigherHRNet网络进行轻量化设计和训练,包括:采用通道拆分和通道混洗,解决分组卷积后特征层之间存在的信息隔离;采用线性运算的特征生成方法,解决不同特征层之间存在的冗余性;采用融合注意力信息的方法,缓解因轻量化导致的准确率下降.在MS COCO数据集上完成了模型的训练、测试、可视化以及消融实验.实验结果表明本文的轻量化方法在保证直观的检测精度前提下,能够显著降低人体姿态估计的计算量.