Humans can naturally and effectively find salient regions in complex scenes. Motivated by this observation, attention mechanisms were introduced into computer vision with the aim of imitating this aspect of the human visual system. Such an attention mechanism can be regarded as a dynamic weight adjustment process based on features of the input image. Attention mechanisms have achieved great success in many visual tasks, including image classification, object detection, semantic segmentation, video understanding, image generation, 3D vision, multi-modal tasks and self-supervised learning. In this survey, we provide a comprehensive review of various attention mechanisms in computer vision and categorize them according to approach, such as channel attention, spatial attention, temporal attention and branch attention; a related repository https://github.com/MenghaoGuo/Awesome-Vision-Attentions is dedicated to collecting related work. We also suggest future directions for attention mechanism research.

Fully convolutional neural networks (FCNs) have shown their advantages in the salient object detection task. However, most existing FCNs-based methods still suffer from coarse object boundaries. In this paper, to solve this problem, we focus on the complementarity between salient edge information and salient object information. Accordingly, we present an edge guidance network (EGNet) for salient object detection with three steps to simultaneously model these two kinds of complementary information in a single network. In the first step, we extract the salient object features by a progressive fusion way. In the second step, we integrate the local edge information and global location information to obtain the salient edge features. Finally, to sufficiently leverage these complementary features, we couple the same salient edge features with salient object features at various resolutions. Benefiting from the rich edge information and location information in salient edge features, the fused features can help locate salient objects, especially their boundaries more accurately. Experimental results demonstrate that the proposed method performs favorably against the state-of-the-art methods on six widely used datasets without any pre-processing and post-processing. The source code is available at http: //mmcheng.net/egnet/.

Complex mixtures can be ionized directly from paper for quantitative mass spectrometric analysis of trace components. Prior separations are an option. Detailed facts of importance to specialist readers are published as ”Supporting Information”. Such documents are peer-reviewed, but not copy-edited or typeset. They are made available as submitted by the authors. Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article.

Paper spray is developed as a direct sampling ionization method for mass spectrometric analysis of complex mixtures. Ions of analyte are generated by applying a high voltage to a paper triangle wetted with a small volume (<10 μL) of solution. Samples can be preloaded onto the paper, added with the wetting solution, or transferred from surfaces using the paper as a wipe. It is demonstrated that paper spray is applicable to the analysis of a wide variety of compounds, including small organic compounds, peptides, and proteins. Procedures are developed for analysis of dried biofluid spots and applied to therapeutic drug monitoring with whole blood samples and to illicit drug detection in raw urine samples. Limits of detection of 50 ng/mL (or 20 pg absolute) are achieved for atenolol in bovine blood. The combination of sample collection from surfaces and paper spray ionization also enables fast chemical screening at high sensitivity, for example 100 pg of heroin distributed on a surface and agrochemicals on fruit peels are detectable. Online derivatization with a preloaded reagent is demonstrated for analysis of cholesterol in human serum. The combination of paper spray with miniature mass spectrometers offers a powerful impetus to wide application of mass spectrometry in nonlaboratory environments.

Recent advances on CNNs are mostly devoted to designing more complex architectures to enhance their representation learning capacity. In this paper, we consider how to improve the basic convolutional feature transformation process of CNNs without tuning the model architectures. To this end, we present a novel self-calibrated convolutions that explicitly expand fields-of-view of each convolutional layers through internal communications and hence enrich the output features. In particular, unlike the standard convolutions that fuse spatial and channel-wise information using small kernels (e.g., 3×3), self-calibrated convolutions adaptively build long-range spatial and inter-channel dependencies around each spatial location through a novel self-calibration operation. Thus, it can help CNNs generate more discriminative representations by explicitly incorporating richer information. Our self-calibrated convolution design is simple and generic, and can be easily applied to augment standard convolutional layers without introducing extra parameters and complexity. Extensive experiments demonstrate that when applying self-calibrated convolutions into different backbones, our networks can significantly improve the baseline models in a variety of vision tasks, including image recognition, object detection, instance segmentation, and keypoint detection, with no need to change the network architectures. We hope this work could provide a promising way for future research in designing novel convolutional feature transformations for improving convolutional networks. Code is available on the project page.

The chemical constituents of intact plant material, including living plants, are examined by a simple spray method that provides real-time information on sugars, amino acids, fatty acids, lipids, and alkaloids. The experiment is applicable to various plant parts and is demonstrated for a wide variety of species. An electrical potential is applied to the plant and its natural sap, or an applied solvent generates an electrospray that carries endogenous chemicals into an adjacent benchtop or miniature mass spectrometer. The sharp tip needed to create a high electric field can be either natural (e.g., bean sprout) or a small nick can be cut in a leaf, fruit, bark, etc. Stress-induced changes in glucosinolates can be followed on the minute time scale in several plants, including potted vegetables. Differences in spatial distributions and the possibility of studying plant metabolism are demonstrated.

Teosinte is a progenitor species of maize (Zea mays ssp. mays) that retains a significant reservoir of genetic resources unaltered via the domestication process. To harness and explore the genetic reservoirs inherent in teosinte, we used the cultivated publicly inbred line H95 and wild species PI566673 (Zea mays ssp. mexicana) to develop a set of introgression lines (ILs), including 366 BC