[发明专利]多重注意力幽灵残差融合分类模型及其分类方法

说明书

本发明公开了一种用于图像分类的多重注意力幽灵残差融合分类模型(MAGR)及其分类方法，包括依次连接的基础特征提取网络、幽灵残差映射网络和图像分类网络；基础特征提取网络借助注意力机制有侧重的提取有用的特征信息，负责提取输入图像的基础特征，并送入幽灵残差映射网络；幽灵残差映射网络融合了幽灵卷积、多支路幽灵组卷积和残差连接，负责提取网络的高级特征；图像分类网络根据提取的全部特征信息判断图像所属类别，获取图像对应的标签，实现分类。本发明用于图像分类，能够实现分类模型的高效化、轻量化，同时保证图像的高精度分类。

技术领域

本发明属于图像分类技术领域，隶属于新一代信息技术，涉及一种图像的多重注意力幽灵残差融合分类模型及其分类方法。

背景技术

图像分类技术是指给定一幅输入图像，通过算法判别图像所属类别的图像信息处理技术。图像分类在安防领域的人脸识别、行人检测、智能视频分析，交通领域的车辆计数、逆行检测、车牌检测与识别，以及互联网领域的基于内容的图像检索、相册自动归类等领域都有着广泛的应用。

传统图像分类算法对简单分类任务表现出色，对有严重干扰或差异细微的图像分类的效果无法满足需求。基于神经网络的智能分类方法得到人们的认可，通过加深网络深度提高分类效果是最常见的方法，如深度残差神经网络ResNet，详见“He K,Zhang X,andRen S,“Deep residual learning for image recognition,”Proceedings ofthe IEEEconference on computer vision andpattern recognition,2016,pp.770-778”。ResNet有效提高了网络的分类精度，但同时也带来了高昂的计算成本。

为了加快网络训练效率，人们开始通过替换传统的卷积操作来减少模型的参数量和计算成本，如K.Han等人首次提出了幽灵卷积的概念并由此构建了GhostNet神经网络，大大减了参数量，但该网络存在分类精度不高的问题，详见“K.Han,Y.Wang,Q.Tian,J.Guo,C.Xu and C.Xu,GhostNet:More Features From Cheap Operations,2020IEEE/CVFConference on Computer Vision and Pattern Recognition(CVPR),Seattle,WA,USA,2020,pp.1577-1586”。

现有图像分类方法往往专注于某一方面的性能，高精度分类模型可能存在计算成本高昂的问题，高效率分类模型也可能存在分类精度不够高的缺陷，难以同时满足某些特定场合中高精度和高效率的双重需求。随着人工智能技术的应用场合越来越丰富，各种智能机器或产品对图像分类技术的要求越来越高，如何实现兼具高效率、高精度优点的图像分类，是目前亟待解决的问题。

发明内容

本发明实施例提供一种多重注意力幽灵残差融合分类模型及其分类方法，以解决图像分类技术领域中出现的模型计算成本高，训练困难，分类精度低等问题。

本发明实施例所采用的技术方案是，多重注意力幽灵残差融合分类模型，包括依次连接的基础特征提取网络、幽灵残差映射网络和图像分类网络；

所述基础特征提取网络，用于提取待分类图像的包括色彩、纹理、轮廓等在内的基础特征信息，CBAM注意力机制能帮助网络有侧重的提取图像通道间和空间位置的特征信息，能更好的帮助分类器提取更多有利于分类的关键特征；

所述的幽灵残差映射网络，通过替换卷积操作、拓宽网络宽度和残差连接的方式建立输入与输出之间的非线性映射关系，反复提取图像的高维特征信息后传送到图像分类网络；

所述的图像分类网络，使用ECA注意力机制对幽灵残差映射网络的输出进一步提取细节、纹理等特征信息后，送入分类器，完成图像的分类任务。

本发明实施例所采用的另一技术方案是，多重注意力幽灵残差融合分类模型分类方法，按照以下步骤进行：