[发明专利]一种基于多分支局部注意力网络的车辆分类方法

权利要求书

1.一种基于多分支局部注意力网络的车辆分类方法，其特征在于，具体步骤包括：

获取待分类车辆图片并划分为训练集和测试集；

将车辆图片的训练集输入构建多分支局部注意力网络的车辆分类模型进行训练，所述多分支局部注意力网络包括基于通道的卷积注意力模块，以及基于空间的局部注意力模块；

根据训练好的车辆分类模型对车辆图片的测试集进行分类预测，得到分类结果。

2.根据权利要求1所述一种基于多分支局部注意力网络的车辆分类方法，其特征在于，所述获取待分类车辆图片并划分为训练集和测试集的具体步骤包括：

获取车辆场景图像，并划分为训练集和测试集，训练集和测试集的比例为4:1；

所述训练集包括M张训练图片为X＝{X₁,X₂,…,X_m,…,X_M}，所述训练集包括N张训练图片为Y＝{Y₁,Y₂,…,Y_n,…,Y_N}，其中X_m表示第m张训练图片，Y_n表示第n张测试图片；

对所述训练集和测试集的图片进行标签与原图一对一标注。

3.根据权利要求1所述一种基于多分支局部注意力网络的车辆分类方法，其特征在于，所述将车辆图片的训练集输入构建多分支局部注意力网络的车辆分类模型进行训练，所述多分支局部注意力网络包括基于通道的卷积注意力模块，以及基于空间的局部注意力模块的具体步骤包括：

基于ResNet-50模型构建多分支局部注意力网络结构；

利用基于通道的卷积注意力模块引入作为第一个分支；

利用基于空间的局部注意力模块引入作为第二个分支；

将两个分支使用并行方法进行分支融合，融合公式为：

F′＝σ(M_C(F)×M_S(F))×F；

其中，M_c(F)表示通道注意力，M_s(F)表示空间注意力，σ(*)是sigmoid激活函数；

将多分支局部注意力网络结构嵌入ResNet-50每个bottleneck层中，得到基于多分支局部注意力网络的车辆分类模型。

4.根据权利要求3所述一种基于多分支局部注意力网络的车辆分类方法，其特征在于，所述利用基于通道的卷积注意力模块引入作为第一个分支的具体步骤包括：

使用全局平均池化和全局最大池化操作来聚合特征映射的空间信息，即和

利用2×1卷积方法将和结合起来；

最后添加一个多层感知器来学习最终的通道注意力特征图M_c(F)，公式为：

其中，W₀∈R^(C/r)×C，W₁∈R^C，W₀和W₁是多层感知器MLP的权重，f^2×1表示滤波器大小为2×1的卷积运算。