基于注意力机制的图像识别分类方法及装置制造方法及图纸

本发明专利技术提供了一种基于注意力机制的图像识别分类方法及装置。方法包括：基于卷积神经网络和注意力机制构建图像特征提取模型；采用所述图像特征提取模型提取目标图像的图像特征；根据所述图像特征对目标图像进行识别分类确定所述目标图像的类别。本发明专利技术能够提高提取目标图像的图像特征的准确性，进而能够图像分别识别的准确性和精度。

Classification method and device of image recognition based on attention mechanism

【技术实现步骤摘要】
基于注意力机制的图像识别分类方法及装置
本专利技术涉及图像处理
，具体涉及一种基于注意力机制的图像识别分类方法及装置。
技术介绍
随着信息技术的发展，图像数据急剧增长，对图像处理的需求也大大增减。图像的识别分类主要是针对图像中特定特征进行提取，通过特定特征表征图像的信息，然后根据提取到的特定特征进行图形的识别分类。图像识别可以用于诸多领域，并且图像识别可以在各种复杂的条件下快速准确的提取物体的特征，具有广泛的应用前景。一个典型的图像识别分类系统主要包括两个部分，图像特征提取和基于提取的图像特征的识别分类。在进行图像特征建模时，首先，需要收集大量的图像样本数据，以此为基础构建图像识别数据库，通过图像识别数据库可以训练出一个适用于提取图像特征的模型。然后，基于图像特征提取模型的提取结果，利用相应的识别分类模型，就可以得到图像的识别分类的结果。目前，图像特征提取模型多采用二维卷积模型，但是卷积网络中对图像特征的处理是等价，例如：识别图像中的动物时，我们更希望卷积网络能够“注意”动物本身，而不是等价的关注动物与背景。因此现有的图像特征提取均存在特征提取不准确的问题，进而导致图像识别分类准确性的降低。
技术实现思路
针对现有技术中的问题，本专利技术提供一种基于注意力机制的图像识别分类方法及装置，能够提高图像识别分类的准确性。为实现上述目的，本专利技术提供以下技术方案：一方面，本专利技术提供了一种基于注意力机制的图像识别分类方法，包括：基于卷积神经网络和注意力机制构建图像特征提取模型；采用所述图像特征提取模型提取目标图像的图像特征；根据所述图像特征对目标图像进行识别分类确定所述目标图像的类别。其中，所述基于卷积神经网络和注意力机制构建图像特征提取模型，包括：基于样本训练集和样本训练集对应的标签，采用卷积神经网络进行训练得到卷积网络模型；通过注意力机制确定所述卷积网络模型的权重并得到第二卷积网络模型；基于样本训练集和样本训练集对应的标签，对所述第二卷积网络模型进行训练得到图像特征提取模型。其中，所述基于样本训练集和样本训练集对应的标签，采用卷积神经网络进行训练得到卷积网络模型，包括：对所述样本训练集进行预处理，生成大小为N1*N2*C的目标训练样本；采用卷积神经网络中迭代优化的方式对所述目标训练样本和所述标签进行训练，得到卷积网络模型；其中，N1和N2分别表示输入卷积神经网络的样本的高度和宽度，C表示输入样本是RGB三通道的图片。其中，所述通过注意力机制确定所述卷积网络模型的权重并得到第二卷积网络模型，包括：采用注意力机制确定所述卷积网络模型的权重，并所述权重与所述卷积网络模型相乘得到所述第二卷积网络模型。另一方面，本专利技术还提供了一种基于注意力机制的图像识别分类装置，装置包括：建模单元，用于基于卷积神经网络和注意力机制构建图像特征提取模型；特征提取单元，用于采用所述图像特征提取模型提取目标图像的图像特征；识别分类单元，用于根据所述图像特征对目标图像进行识别分类确定所述目标图像的类别。其中，所述建模单元包括：第一训练子单元，用于基于样本训练集和样本训练集对应的标签，采用卷积神经网络进行训练得到卷积网络模型；拟合子单元，用于通过注意力机制确定所述卷积网络模型的权重并得到第二卷积网络模型；第二训练子单元，用于基于样本训练集和样本训练集对应的标签，对所述第二卷积网络模型进行训练得到图像特征提取模型。其中，所述第一训练子单元包括：预处理模块，用于对所述样本训练集进行预处理，生成大小为N1*N2*C的目标训练样本；卷积模块，用于采用卷积神经网络中迭代优化的方式对所述目标训练样本和所述标签进行训练，得到卷积网络模型；其中，N1和N2分别表示输入卷积神经网络的样本的高度和宽度，C表示输入样本是RGB三通道的图片。其中，所述拟合子单元包括：生成模块，用于采用注意力机制确定所述卷积网络模型的权重，并所述权重与所述卷积网络模型相乘得到所述第二卷积网络模型。另一方面，本专利技术还提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线；其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；处理器用于调用存储器中的逻辑指令，以执行上述基于注意力机制的图像识别分类方法。另一方面，本专利技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述基于注意力机制的图像识别分类方法。由上述技术方案可知，本专利技术所述的一种基于注意力机制的图像识别分类方法及装置，通过基于卷积神经网络和注意力机制构建图像特征提取模型；采用所述图像特征提取模型提取目标图像的图像特征，提高提取目标图像的图像特征的准确性，根据所述图像特征对目标图像进行识别分类确定所述目标图像的类别，进而能够图像分别识别的准确性和精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于注意力机制的图像识别分类方法的流程图；图2是本专利技术实施例提供中通道域注意力的流程框架图；图3是本专利技术实施例提供中通道域注意力和空间域注意力结合的流程框架图；图4是本专利技术实施例提供的基于注意力机制的图像识别分类装置的结构示意图；图5是本专利技术实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术下述实施例提出了一种基于注意力机制的图像识别分类方法的实施例，参见图1，具体包括如下步骤：S101：基于卷积神经网络和注意力机制构建图像特征提取模型；在本步骤中，从cifar10数据集或cifar100数据集提取出样本训练集和测试集，基于样本训练集和样本训练集对应的标签，采用卷积神经网络进行训练得到卷积网络模型；其中，卷积神经网络的输入大小被设置为N1*N2*C，在进行训练时，对所述样本训练集进行预处理，生成大小为N1*N2*C的目标训练样本；其中，N1和N2分别表示输入卷积神经网络的样本的高度和宽度，C表示输入样本是RGB三通道的图片。在本实施例中，将目标训练样本统一缩放至112x122大小。本实施例中通过迭代优化策略，利用样本及样本标签预训练卷积网络，使得本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的图像识别分类方法，其特征在于，包括：/n基于卷积神经网络和注意力机制构建图像特征提取模型；/n采用所述图像特征提取模型提取目标图像的图像特征；/n根据所述图像特征对目标图像进行识别分类确定所述目标图像的类别。/n

【技术特征摘要】
1.一种基于注意力机制的图像识别分类方法，其特征在于，包括：
基于卷积神经网络和注意力机制构建图像特征提取模型；
采用所述图像特征提取模型提取目标图像的图像特征；
根据所述图像特征对目标图像进行识别分类确定所述目标图像的类别。


2.根据权利要求1所述的基于注意力机制的图像识别分类方法，其特征在于，所述基于卷积神经网络和注意力机制构建图像特征提取模型，包括：
基于样本训练集和样本训练集对应的标签，采用卷积神经网络进行训练得到卷积网络模型；
通过注意力机制确定所述卷积网络模型的权重并得到第二卷积网络模型；
基于样本训练集和样本训练集对应的标签，对所述第二卷积网络模型进行训练得到图像特征提取模型。


3.根据权利要求2所述的基于注意力机制的图像识别分类方法，其特征在于，所述基于样本训练集和样本训练集对应的标签，采用卷积神经网络进行训练得到卷积网络模型，包括：
对所述样本训练集进行预处理，生成大小为N1*N2*C的目标训练样本；
采用卷积神经网络中迭代优化的方式对所述目标训练样本和所述标签进行训练，得到卷积网络模型；
其中，N1和N2分别表示输入卷积神经网络的样本的高度和宽度，C表示输入样本是RGB三通道的图片。


4.根据权利要求2所述的基于注意力机制的图像识别分类方法，其特征在于，所述通过注意力机制确定所述卷积网络模型的权重并得到第二卷积网络模型，包括：
采用注意力机制确定所述卷积网络模型的权重，并所述权重与所述卷积网络模型相乘得到所述第二卷积网络模型。


5.一种基于注意力机制的图像识别分类装置，其特征在于，包括：
建模单元，用于基于卷积神经网络和注意力机制构建图像特征提取模型；
特征提取单元，用于采用所述图像特征提取模型提取目标图像的图像特征；
...

【专利技术属性】
技术研发人员：张顺利，林贝贝，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11