[发明专利]基于注意力机制的图像识别方法、系统、设备和存储介质

权利要求书

1.一种基于注意力机制的图像识别方法，其特征在于，所述方法包括：

获取待识别图像的小样本数据集，将所述小样本数据集经过多头注意力模型进行图像的特征向量处理；

将处理后得到的特征向量矩阵经过高斯混合模型进行预处理，使得所述特征向量矩阵具备高斯分布；

将分布一致的所述特征向量矩阵经过最优运输原理算法和距离度量算法进行聚类计算，得到聚类特征信息，根据所述聚类特征信息获取图像识别结果。

2.根据权利要求1所述的基于注意力机制的图像识别方法，其特征在于，所述获取待识别图像的小样本数据集，将所述小样本数据集经过多头注意力模型进行图像的特征向量处理，包括：

依次对所述小样本数据集中包括的特征图进行分层化的卷积处理；

对包括粗放信息的所述特征图输入到第一注意力头中，并加以矩阵相乘操作后进行掩膜；

将所述特征图进行卷积操作后，输入到第二注意力头后进行掩膜操作；

再次将所述特征图进行卷积后进行随即池化操作，并输入到第三注意力头后进行掩膜操作；

对三次掩膜操作筛选后得到所述特征向量矩阵。

3.根据权利要求1所述的基于注意力机制的图像识别方法，其特征在于，所述将处理后得到的特征向量矩阵经过高斯混合模型进行预处理，使得所述特征向量矩阵具备高斯分布，包括：

将所述特征向量矩阵输入到奇异值分解函数中进行QR分解计算；

将经过分解计算后的所述特征向量通过归一化函数处理，并通过高斯子分布模型使得所述特征向量矩阵符合高斯分布；

通过所述高斯混合模型融合不同的子高斯分布模型，对所述高斯混合模型的参数进行迭代，得到分布一致的所述特征向量矩阵。

4.根据权利要求1所述的基于注意力机制的图像识别方法，其特征在于，所述将分布一致的所述特征向量矩阵经过最优运输原理算法和距离度量算法进行聚类计算，得到聚类特征信息，根据所述聚类特征信息获取图像识别结果，包括：

利用所述最优运输原理算法对所述特征向量矩阵进行过拟合处理；

采用wasserstein距离算法作为距离度量网络的基础聚类算法，将分布一致的所述特征向量矩阵进行聚类分析。

5.一种基于注意力机制的图像识别系统，其特征在于，包括：

分层化注意力模块，用于获取待识别图像的小样本数据集，将所述小样本数据集经过多头注意力模型进行图像的特征向量处理；

高斯分布模块，用于将处理后得到的特征向量矩阵经过高斯混合模型进行预处理，使得所述特征向量矩阵具备高斯分布；

距离度量模块，用于将分布一致的所述特征向量矩阵经过最优运输原理算法和距离度量算法进行聚类计算，得到聚类特征信息，根据所述聚类特征信息获取图像识别结果。

6.根据权利要求5所述的基于注意力机制的图像识别系统，其特征在于，所述分层化注意力模块包括多头注意力单元，所述多头注意力单元用于：

依次对所述小样本数据集中包括的特征图进行分层化的卷积处理；

对包括粗放信息的所述特征图输入到第一注意力头中，并加以矩阵相乘操作后进行掩膜；

将所述特征图进行卷积操作后，输入到第二注意力头后进行掩膜操作；

再次将所述特征图进行卷积后进行随即池化操作，并输入到第三注意力头后进行掩膜操作；

对三次掩膜操作筛选后得到所述特征向量矩阵。

7.根据权利要求5所述的基于注意力机制的图像识别系统，其特征在于，所述高斯分布模块包括分布计算单元，所述分布计算单元用于：

将所述特征向量矩阵输入到奇异值分解函数中进行QR分解计算；

将经过分解计算后的所述特征向量通过归一化函数处理，并通过高斯子分布模型使得所述特征向量矩阵符合高斯分布；

通过所述高斯混合模型融合不同的子高斯分布模型，对所述高斯混合模型的参数进行迭代，得到分布一致的所述特征向量矩阵。