[发明专利]一种基于注意力机制的目标分类方法及系统

权利要求书

1.一种基于注意力机制的目标分类方法，其特征在于，包括：

获取待分类图像的步骤；

将所述待分类图像输入到卷积神经网络，提取所述待分类图像的特征，通过注意力矩阵块对得到的特征图进行处理，根据处理后的特征图得到至少一个目标分类结果的步骤。

2.根据权利要求1所述的基于注意力机制的目标分类方法，其特征在于，通过注意力矩阵块对得到的特征图进行处理，具体包括：

分别在每个尺度依据特征图的全部维度对所述特征图进行分块，每个尺度对应一组分块结果；

分别计算每组分块结果中每个特征块的注意力矩阵块，并将每组分块结果的全部注意力矩阵块进行融合，得到完整的注意力矩阵块；

对全部组的完整的注意力矩阵块进行加权平均，得到融合的多尺度特征注意力矩阵；

将所述特征图与所述融合的多尺度特征注意力矩阵逐元素相乘，完成对所述特征图的处理。

3.根据权利要求2所述的基于注意力机制的目标分类方法，其特征在于，将每组分块结果的全部注意力矩阵块进行融合，得到完整的注意力矩阵块，具体包括：

使用三维高斯函数将每组分块结果的全部注意力矩阵块融合成完整的注意力矩阵块。

4.根据权利要求2或3所述的基于注意力机制的目标分类方法，其特征在于，分别计算每组分块结果中每个特征块的注意力矩阵块，具体包括：

针对每组分块结果中的每个特征块，对所有维度进行池化操作，得到每个维度的一维向量；

根据可学习参数向量对每个维度的一维向量进行处理，得到每个维度的注意力向量；

将每个维度的注意力向量依次相乘，并对维度进行相应的拓展，得到每个特征块的注意力矩阵块。

5.根据权利要求4所述的基于注意力机制的目标分类方法，其特征在于，根据可学习参数向量对每个维度的一维向量进行处理，得到每个维度的注意力向量，具体包括：

对可学习参数向量进行预设变换，得到变换结果；

将每个维度的一维向量乘所述变换结果得到每个维度的注意力向量。

6.一种基于注意力机制的目标分类系统，其特征在于，包括：采集设备、处理设备和显示设备，其中：

所述采集设备用于获取待分类图像；

所述处理设备用于将所述待分类图像输入到卷积神经网络，提取所述待分类图像的特征，通过注意力矩阵块对得到的特征图进行处理，根据处理后的特征图得到至少一个目标分类结果；

所述显示设备用于显示所述待分类图像的至少一个目标分类结果。

7.根据权利要求6所述的基于注意力机制的目标分类系统，其特征在于，所述处理设备包括：处理器和神经芯片，所述神经芯片上布置有卷积神经网络，其中：

所述处理器用于将所述待分类图像输入到所述卷积神经网络中提取特征；

所述神经芯片用于分别在每个尺度依据所述特征图的全部维度对所述特征图进行分块，每个尺度对应一组分块结果；分别计算每组分块结果中每个特征块的注意力矩阵块，并将每组分块结果的全部注意力矩阵块进行融合，得到完整的注意力矩阵块；对全部组的完整的注意力矩阵块进行加权平均，得到融合的多尺度特征注意力矩阵；将所述特征图与所述融合的多尺度特征注意力矩阵逐元素相乘，完成对所述特征图的处理。

8.根据权利要求7所述的基于注意力机制的目标分类系统，其特征在于，所述神经芯片具体用于使用三维高斯函数将每组分块结果的全部注意力矩阵块融合成完整的注意力矩阵块。

9.根据权利要求7或8所述的基于注意力机制的目标分类系统，其特征在于，所述神经芯片包括：池化单元和注意力学习单元，其中：

所述池化单元用于针对每组分块结果中的每个特征块，对所有维度进行池化操作，得到每个维度的一维向量；

所述注意力学习单元用于根据可学习参数向量对每个维度的一维向量进行处理，得到每个维度的注意力向量；将每个维度的注意力向量依次相乘，并对维度进行相应的拓展，得到每个特征块的注意力矩阵块。

10.根据权利要求9所述的基于注意力机制的目标分类系统，其特征在于，所述注意力学习单元具体用于对可学习参数向量进行预设变换，得到变换结果；将每个维度的一维向量乘所述变换结果得到每个维度的注意力向量。