[发明专利]一种图像分类方法及设备

权利要求书

1.一种图像分类方法，其特征在于，包括：

建立残差网络模型，将所述残差网络模型的原始边径中的标准卷积替换为空洞卷积，生成空洞残差网络主干；

基于注意力机制模型的通道注意力模块及空间注意力模块，生成所述残差网络模型的权重层；

生成由所述空洞残差网络主干及所述权重层组成的残差注意力机制模型，对所述残差注意力机制模型进行训练；

将图像数据输入所述残差注意力机制模型，对所述图像数据进行识别分类；

所述将所述残差网络模型的原始边径中的标准卷积替换为空洞卷积，包括：

将所述原始边径中的标准卷积替换为空洞卷积串联批量归一化串联线性整流激活函数的卷积层；

所述生成所述残差网络模型的权重层，包括：

基于所述通道注意力模块及所述空间注意力模块，生成通道注意力权重层及空间注意力权重层，将所述通道注意力权重层及所述空间注意力权重层串联顺序排布；

所述通道注意力模块与残差网络边径进行矩阵加和，生成所述通道注意力权重层。

2.根据权利要求1所述的方法，其特征在于，所述通道注意力模块与残差网络边径进行矩阵加和之前，还包括：

对所述通道注意力模块进行反卷积操作。

3.一种图像分类设备，其特征在于，包括：

主干模块，建立残差网络模型，将所述残差网络模型的原始边径中的标准卷积替换为空洞卷积，生成空洞残差网络主干；

权重模块，基于注意力机制模型的通道注意力模块及空间注意力模块，生成所述残差网络模型的权重层；

生成模块，生成由所述空洞残差网络主干及所述权重层组成的残差注意力机制模型，对所述残差注意力机制模型进行训练；

分类模块，将图像数据输入所述残差注意力机制模型，对所述图像数据进行识别分类；

所述主干模块将所述残差网络模型的原始边径中的标准卷积替换为空洞卷积，包括：

将所述原始边径中的标准卷积替换为空洞卷积串联批量归一化串联线性整流激活函数的卷积层；

所述权重模块生成所述残差网络模型的权重层，包括：

基于所述通道注意力模块及所述空间注意力模块，生成通道注意力权重层及空间注意力权重层，将所述通道注意力权重层及所述空间注意力权重层串联顺序排布；

所述权重模块通道注意力模块与残差网络边径进行矩阵加和，生成所述通道注意力权重层。

4.根据权利要求3所述的设备，其特征在于，所述权重模块通道注意力模块与残差网络边径进行矩阵加和之前，还包括：

对所述通道注意力模块进行反卷积操作。