基于HR-GAT的图像分类方法和装置制造方法及图纸

本申请提出一种基于层级残差图注意力网络(Hierarchical Residual Graph Attention Network,HR‑GAT)的图像分类方法及装置。其中，方法包括：输入待分类图像；对图像数据进行标准化与尺寸统一化预处理，将预处理后的数据划分为训练集与测试集；设计HR‑GAT网络结构，并根据HR‑GAT网络模型和训练图像集进行模型训练；将测试集中的图像输入至经过训练的HR‑GAT的多级注意力网络提取特征，并将提取出的特征输入至SVM分类器进行分类。本申请基于HR‑GAT网络模型，实现全自动地对图像进行分类的目的，不受待分割图像类别的限制，例如自然图像，医学图像等。提高了分类过程的效率和效果，增强了模型对图像高阶语义的推理能力，使分类精度与模型稳定性获得突破性提升。

【技术实现步骤摘要】

本申请涉及图像处理与模式识别领域，特别涉及一种基于层级残差图注意力网络(hr-gat)的图像分类方法及装置。

技术介绍

1、近年来，图神经网络(graph neural networks,gnn)通过建模非欧几里得数据结构(如图、点云)的关系依赖性，在图像分类任务中展现出独特优势。传统卷积神经网络(convolutional neural networks，cnn)依赖规则的局部网格卷积核，难以有效捕捉图像中长程语义关联(如分散物体部件的全局关系)，而图结构将像素映射为节点、空间或语义关联映射为边，为复杂场景建模提供了更灵活的框架。尤其是图注意力网络(graphattention network,gat)，通过动态注意力权重分配，显著提升了节点特征交互的针对性。然而，现有基于gat的图像分类方法仍存在以下三个瓶颈。

2、单层同质化注意力机制无法分离局部细节(如边缘、纹理)与全局语义(如物体部件关系)，导致特征表征模糊；随着网络层数增加，节点特征因信息传递衰减而逐渐趋同，分类精度不升反降；全局注意力易受背景像素干扰(如医疗图像中的器官重叠、遥感图本文档来自技高网...

【技术保护点】

1.一种基于HR-GAT的图像分类方法，其特征在于，包括：

2.根据权利要求1所述的基于HR-GAT的图像分类方法，其特征在于，所述HR-GAT网络包括：

3.根据权利要求2所述的基于HR-GAT网络，其特征在于，所述底层注意力层的邻域交互范围通过以下步骤定义：

4.根据权利要求2所述的基于HR-GAT网络，其特征在于，所述高层注意力层引入通道注意力机制：

5.根据权利要求2所述的HR-GAT网络，其特征在于，所述残差连接的可学习权重α通过式(6)进行优化：

6.根据权利要求2所述的HR-GAT网络，其特征在于，所述池化层采用多...

【技术特征摘要】

1.一种基于hr-gat的图像分类方法，其特征在于，包括：

2.根据权利要求1所述的基于hr-gat的图像分类方法，其特征在于，所述hr-gat网络包括：

3.根据权利要求2所述的基于hr-gat网络，其特征在于，所述底层注意力层的邻域交互范围通过以下步骤定义：

4.根据权利要求2所述的基于hr-gat网络，其特征在于，所述高层注意力层引入通道注意力机制：

5.根据权利要求2所述的hr-gat网络，其特征在于，所述残差连接的可学习权重α通过式(6)进行优化：<...

【专利技术属性】
技术研发人员：王瑜，万川，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：