代码使用opencv实现了itti1998年发表的AModelofSaliency-BasedVisualAttentionforRapidSceneAnalysis文章的算法

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。
以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。
最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。
实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

这是多个经典视觉显著模型代码的合集，包括ITTI、SUN、GBVS、BMS等等，内有运行方法。
视觉显著性检测(Visualsaliencydetection)指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴味的区域)。
视觉注意机制(VisualAttentionMechanism，VA)，即面对一个场景时，人类自动地对感兴味区域进行处理而选择性地忽略不感兴味区域，这些人们感兴味区域被称之为显著性区域。

GBVS是在itti模型基础上的改进算法，对视觉显著和留意机制的研究人员很有用。

资源是ITTI视觉显著性模型的MATALB代码，资源下载后直接能用，解压后打开zj.m，然后运行即可测试，提取得到的显著图直接能显示出来。
同时为了大家需要，同时考虑了灰度图像可以使用的边缘显著度等，去掉了与颜色相关的显著图计算，封装成了函数ITTI_Model，通过S=ITTI_Model(img)调用即可。
相关的材料参照博文https://blog.csdn.net/weixin_42647783/article/details/82532179。
谢谢~

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。