[发明专利]基于注意力机制与多尺度特征的细粒度识别方法及系统

权利要求书

1.一种基于注意力机制与多尺度特征的细粒度识别方法，其特征在于，所述方法，包括：

获取待识别图片；

将所述待识别图片输入类别确定模型中，得到所述待识别训练图片的类别；所述类别确定模型是通过对训练图片的整体特征和细节特征对卷积神经网络进行训练得到的；所述细节特征是利用注意力模块对训练图片进行训练得到的。

2.根据权利要求1所述的基于注意力机制与多尺度特征的细粒度识别方法，其特征在于，在所述获取待识别图像之前，还包括：

获取多张训练图片作为训练集；所述训练集包括支撑集和查询集；所述支撑集中训练图片的种类数量大于或等于所述查询中训练图片的种类数量；

将所述训练集内的训练图片均输入卷积神经网络中进行特征提取处理，得到每张训练图片的整体特征和空间注意力得分；

根据每张训练图片的空间注意力得分，得到每张训练图片的细节特征；

拼接同一张训练图片的整体特征和细节特征，得到多张训练图片的总特征；

将支撑集内同一类别的多张训练图片的总特征的均值作为类别指标，得到多个类别指标；

根据查询集内每张训练图片的总特征和多个类别指标，利用ProtoNet算法，确定查询集内每张训练图片在每个类别下的类别分数；

将查询集内每张训练图片的类别分数的最大值对应的类别确定为查询集内训练图片的类别；

调整模型参数并返回步骤“将所述训练集内的训练图片均输入卷积神经网络中进行特征提取处理，得到每张训练图片的整体特征和空间注意力得分”直至达到预设迭代次数，得到所述类别确定模型。

3.根据权利要求2所述的基于注意力机制与多尺度特征的细粒度识别方法，其特征在于，所述将所述训练集内的训练图片均输入卷积神经网络中进行特征提取处理，得到每张训练图片的整体特征和空间注意力得分，具体包括：

确定任一训练图片为当前训练图片；

对所述当前训练图片进行第多次降采样处理，得到所述当前训练图片的多个尺度特征；

将所述当前训练图片的多个所述尺度特征进行卷积叠加处理，得到所述当前训练图片的多个一次卷积叠加处理后的尺度特征；

利用卷积神经网络中的注意力模块对所述当前训练图片的多个一次卷积叠加处理后的尺度特征进行处理，得到当前训练图片的空间注意力得分；

将所述当前训练图片的多个一次卷积叠加处理后的尺度特征进行卷积叠加处理，得到所述当前训练图片的多个二次卷积叠加处理后的尺度特征；

将多个一次卷积叠加处理后的尺度特征进行全局均值池化处理，得到多个全局均值池化处理后的尺度特征；

将多个全局均值池化处理后的尺度特征进行拼接，作为初始的整体特征；

将所述当前训练图片的多个所述尺度特征与所述空间注意力得分进行加权全局均值池化处理后，再与所述初始的整体特征拼接，得到所述整体特征。