selfattention，crossattention

Self Attention和Cross Attention是在自然语言处理领域中常用的注意力机制方法。Self Attention是指在一个序列中，每个元素通过计算与其他元素的关联度得到一个权重向量，用于表征该元素的上下文信息。它可以用于对多车交互进行建模，将每个车辆结点看作一个单词，计算节点之间的关联度，提取出目标车辆的特征信息。因此，Self Attention也可以称为Global Graph Attention。同时，Self Attention也可以用于对车辆轨迹进行建模，提取时序上的信息，并进行预测任务。

Cross Attention是指通过引入另一个序列，计算两个序列之间的关联度，得到一个权重向量，用于表征第一个序列中每个元素与第二个序列的上下文信息。在代码实现中，可以通过调用CrossAttention函数来进行计算。

总结来说，Self Attention和Cross Attention是用于计算序列中元素之间关联度的方法，可以应用于多车交互建模和车辆轨迹分析等任务。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [GAT, Self Attention, Cross Attention对比以及在自动驾驶轨迹预测任务中的pytorch应用](https://blog.csdn.net/Cameron_Rin/article/details/123706210)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]