[发明专利]目标类别识别方法、训练方法及可读存储介质

权利要求书

1.一种目标类别识别方法，其特征在于，该方法包括：

对待识别图像进行特征提取，得到第一特征向量，第一特征向量的维度为C1*H1*W1，其中，C1为预设的通道数，H1为预设的每个通道的特征长度，W1为预设的每个通道的特征宽度；

对第一特征向量分别进行不同粒度下的特征降解，对不同粒度下得到的特征降解后的特征向量分别进行空间级别的注意力系数计算，得到不同粒度下每个通道的每个特征值的注意力系数；

对于每一粒度下每个通道中的每个特征值，将特征值与特征值的注意力系数相乘，得到特征值对应的空间增强特征值，每一粒度下的所有通道的所有空间增强特征值构成每一粒度下的第二特征向量；

分别采用不同粒度下的第二特征向量进行目标分类计算，得到不同粒度下待识别图像中含有各目标类别的概率；

对于每一目标类别，对不同粒度下待识别图像中含有所述目标类别的概率进行加权计算，得到待识别图像中含有所述目标类别的最终概率；

所述对第一特征向量分别进行不同粒度下的特征降解，包括：

设当前粒度为m²，则将第一特征向量的每个通道中的所有特征值划分为m²个子区域，每个子区域中包含的特征值的数目为（H1/m）*（W1/m），针对所述m²个子区域中处于相同位置的m²个特征值，取所述m²个特征值中的最大特征值，这样共取到（H1/m）*（W1/m）个最大值，（H1/m）*（W1/m）个最大值构成了通道的特征降解后的特征值，所有通道的特征降解后的特征值构成了当前粒度m²下特征降解后的特征向量，其中，m为不小于1的整数。

2.根据权利要求1所述的方法，其特征在于，所述分别采用不同粒度下的第二特征向量进行目标分类计算，包括：

对不同粒度下的第二特征向量分别进行基于通道的全局平均池化处理，得到不同粒度下的每个通道的全局平均特征值，在不同粒度下分别采用不同粒度下的所有通道的全局平均特征值进行不同粒度下的目标分类计算，从而得到不同粒度下待识别图像中含有各目标类别的概率。

3.根据权利要求1所述的方法，其特征在于，所述待识别图像为管道图像，所述目标类别为管道缺陷类别。

4.根据权利要求3所述的方法，其特征在于，所述管道缺陷类别包括：暗接、变形、错接、残墙、穿入、腐蚀、浮渣、结垢、起伏、树根、脱节、脱落、障碍物、错口、沉积、渗漏、或/和破裂。