[发明专利]一种基于注意力关系图学习的图像分类方法及装置

权利要求书

1.一种基于注意力关系图学习的图像分类方法，其特征在于，该分类方法包括：

(一)训练部分：

步骤一、采集图像，所采集图像作为样本图像；

步骤二、引入注意力映射学习模型，学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；

步骤三、引入最大区间近邻度量学习方法，基于注意力映射学习模型获取图像的注意力映射，构建注意力关系图；

步骤四、将注意力关系图输入图卷积神经网络进行处理，获得分类结果；

步骤五、循环执行步骤一至步骤四，学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；

(二)分类部分：

步骤一、采集图像，所采集图像作为待分类图像；

步骤二、将图像输入注意力映射学习模型，获取该图像的注意力映射；

步骤三、基于注意力映射学习模型获取图像的注意力映射，通过最大区间近邻度量学习方法构建注意力关系图；

步骤四、将注意力关系图输入图卷积神经网络模型，获得分类结果。

2.根据权利要求1所述的一种基于注意力关系图学习的图像分类方法，其特征在于，所述注意力映射学习模型采用U-net模型作为基础模型。

3.根据权利要求1所述的一种基于注意力关系图学习的图像分类方法，其特征在于，通过最大区间近邻度量学习方法构建注意力关系图的具体操作包括：

1)将图像的每个像素作为图的节点，构造图的节点；

2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。；

3)基于最大间隔近邻度量学习方法，学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；

4)学习马氏度量空间后，可以获取像素之间的相关性信息；

5)马氏度量空间计算出来的距离即为两两像素之间的相似度，基于像素之间的相似度和设定阈值，构建图中任意两个节点的边，从而完成度量关系图的构建。

4.根据权利要求1所述的一种基于注意力关系图学习的图像分类方法，其特征在于，所述图卷积神经网络模型包含1*1的卷积层。

5.一种基于注意力关系图学习的图像分类装置，其特征在于，该装置包括：

采集模块，用于采集图像并作为样本图像或待分类图像；

注意力映射学习模型，用于学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；

引入构建模块，基于注意力映射学习模型获取图像的注意力映射，引入最大区间近邻度量学习方法以构建注意力关系图；

图卷积神经网络，用于接收注意力关系图以获取像素之间的相关性信息，进而输出分类结果；

学习构建模块，用于学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；

图卷积神经网络模型对构建注意力关系图进行处理，并输出分类结果。

6.根据权利要求5所述的一种基于注意力关系图学习的图像分类装置，其特征在于，所述注意力映射学习模型采用U-net模型作为基础模型。

7.根据权利要求5所述的一种基于注意力关系图学习的图像分类装置，其特征在于，所述引入构建模块包括：

构造子模块，针对去噪后图像，用于将图像的每个像素作为图的节点，以构造图的节点；

提取子模块，用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征；

引入学习子模块，用于引入最大间隔近邻度量学习方法，并学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；

获取子模块，通过学习马氏度量空间获取像素之间的相关性信息；

设定子模块二，用于设定相似度阈值；

计算构建子模块，用于通过马氏度量空间计算两两像素之间的相似度，并基于相似度和设定的相似度阈值构建图中任意两个节点的边，从而完成度量关系图的构建。

8.根据权利要求5所述的一种基于注意力关系图学习的图像分类装置，其特征在于，所述图卷积神经网络模型包含1*1的卷积层。