[发明专利]基于联合注意力机制的小样本图像目标识别方法及系统

说明书

本发明公开了一种基于联合注意力机制的小样本图像目标识别方法及系统，其通过构建包含空间注意力学习模块和通道注意力学习模块的联合注意力网络，然后扩充训练数据，对联合注意力网络进行训练和参数进行优化，利用训练好的联合注意力网络分别对已知目标类型图像和待定目标类型图像进行特征提取，获得已知目标类型图像特征和待定目标类型图像特征，根据两个图像特征之间修正后的余弦距离判定目标类型。通过引入CBAM注意力模块，利用CBAM注意力关注图像中的目标区域特征，改进图像的特征表示，提取出更加鲁棒和更具判别性的特征，有效提高小样本目标识别的准确率；同时将输入图像进行分割，提取局部特征，加强对图片中目标局部特征的学习。

技术领域

本发明涉及图像目标识别技术领域，尤其是涉及一种基于联合注意力机制的小样本图像目标识别方法及系统。

背景技术

目前基于深度学习进行目标识别需要海量数据进行计算，但是实际应用时常常面临小样本的问题，目前主流的小样本目标识别算法的基本思想是提取图像特征把样本映射到一个高维空间，然后通过图像特征之间的最优匹配流计算图像特征相似度，实现目标的分类识别。

然而由于图像中杂乱的背景和较大的内外观变化，直接对图像进行特征提取会导致同一类别的图像在给定的度量空间中相距很远，降低分类的正确率；此外混合全局表现会破坏图像结构，丢失局部特征。

近年来，注意力模型越来越多的应用到了计算机视觉的各个领域中，注意力模型能着重学习输入信号中信息最丰富的部分，能有效的改善网络对于图像目标特征的学习能力，但现有的算法往往使用单一的注意力，忽略了不同注意力网络的特性和互补作用，使得提取到的目标特征判别性相对较低，对于图像目标识别准确度较低。

发明内容

本发明的目的在于克服上述技术不足，提出一种基于联合注意力机制的小样本图像目标识别方法及系统，解决现有图像目标特征判别性较差以及目标识别准确度较低的问题。

为达到上述技术目的，本发明的技术方案第一方面提供一种基于联合注意力机制的小样本图像目标识别方法，其包括如下步骤：

构建联合注意力网络，所述联合注意力网络包括空间注意力学习模块和通道注意力学习模块；

扩充训练数据集，训练所述联合注意力网络，并利用amsgrad算法对联合注意力网络中的参数进行优化；

利用训练好的联合注意力网络分别对已知目标类型图像和待定目标类型图像进行特征提取，获得已知目标类型图像特征和待定目标类型图像特征，计算两个图像特征之间修正后的余弦距离，根据修正后的余弦距离判定目标类型。

本发明第二方面提供一种基于联合注意力机制的小样本图像目标识别系统，其包括如下功能模块：

网络构建模块，用于构建联合注意力网络，所述联合注意力网络包括空间注意力学习模块和通道注意力学习模块；

扩充训练数据集，训练所述联合注意力网络，并利用amsgrad算法对联合注意力网络中的参数进行优化；

类型判断模块，用于利用训练好的联合注意力网络分别对已知目标类型图像和待定目标类型图像进行特征提取，获得已知目标类型图像特征和待定目标类型图像特征，计算两个图像特征之间修正后的余弦距离，根据修正后的余弦距离判定目标类型。

本发明第三方面提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于联合注意力机制的小样本图像目标识别方法的步骤。

本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于联合注意力机制的小样本图像目标识别方法的步骤。