[发明专利]基于并行双注意力轻量残差网络的图像分类方法及系统

权利要求书

1.基于并行双注意力轻量残差网络的图像分类方法，其特征在于，包括以下步骤：

S1：将图像输入残差网络并进行预处理；

S2：对残差网络的卷积核进行结构优化，并提取输入图像的特征信息矩阵；

S3：对特征信息矩阵进行批量归一化处理并进行非线性激活，得到新的特征信息矩阵；

S4：将S3得到的特征信息矩阵进行通道注意力和空间注意力的并行处理，输出新的特征信息矩阵，具体包括以下步骤：

S4.1：将特征信息矩阵按相等的通道数分成两部分，分别进入两条并行特征筛选支路；所述两条并行特征筛选支路分别包括依次连接的1×1的点卷积、3×3的深度可分离卷积和1×1的点卷积；

S4.2：将两条并行特征筛选支路分别输出的特征信息矩阵进行拼接，并对拼接后的特征信息矩阵再进行批量归一化处理以及利用ReLU函数进行激活，得到新的特征信息矩阵；

S4.3：对S4.2得到的特征信息矩阵进行通道注意力和空间注意力的并行处理，对特征信息矩阵附加注意力；

S4.4：将S3得到的特征信息矩阵与S4.3中附加注意力后的特征信息矩阵相加，输出新的特征信息矩阵；

S5：将S4得到的特征信息矩阵进行全局平均池化，整合全层空间信息，然后将特征信息矩阵转换为一维特征信息矩阵；

S6：将一维特征信息矩阵输入全连接层，得到分类任务对应类别数的矩阵，输出图像分类结果。

2.根据权利要求1所述的基于并行双注意力轻量残差网络的图像分类方法，其特征在于，S1中对图像的预处理包括通过补充或裁剪的方式对图像进行尺寸的统一修改。

3.根据权利要求1所述的基于并行双注意力轻量残差网络的图像分类方法，其特征在于，S2具体包括：将设置在残差网络输入层的A×A大卷积核分成多层串联的对称小卷积核，然后将经过预处理的输入图像依次输入多层串联的对称小卷积核中，提取得到输入图像的特征信息矩阵；其中，任一所述对称小卷积核的尺寸为B×B，且AB≥1。

4.根据权利要求1所述的基于并行双注意力轻量残差网络的图像分类方法，其特征在于，S2具体包括：将设置在残差网络输入层的A×A大卷积核分解为依次连接的一层A×1和一层1×A的非对称卷积核，然后将经过预处理的输入图像依次输入一层A×1和一层1×A的非对称卷积核中，提取得到输入图像的特征信息矩阵；其中A为大于1的正整数。

5.根据权利要求1所述的基于并行双注意力轻量残差网络的图像分类方法，其特征在于，S3具体包括以下：

S3.1：对特征信息矩阵进行批量归一化处理，其计算公式如下所示：

其中，F_output表示批量归一化处理的输出特征信息矩阵；F_input表示批量归一化处理的输入特征信息矩阵；Mean(.)表示均值计算；Var(.)表示方差计算；eps为引入误差；γ表示尺度缩放因子；β表示特征平移因子；

S3.2：利用ReLU函数对批量归一化处理的输出特征信息矩阵F_output进行非线性激活，其输出尺寸保持不变，其公式如下所述：

S3.3：通过最大池化操作对经过非线性激活的特征信息矩阵降采样，并改变特征信息矩阵的输出尺寸；

S3.4：对S3.3得到的矩阵进行1×1的卷积操作，并进行批量归一化处理以及利用ReLU函数进行激活，得到新的特征信息矩阵。

6.根据权利要求1所述的基于并行双注意力轻量残差网络的图像分类方法，其特征在于，S4.1中，所述并行特征筛选支路中设置有变尺寸处理操作和不变尺寸处理操作：

在变尺寸处理操作中，特征信息矩阵经过3×3的深度可分离卷积后，高度与宽度减半，通道数加倍；

在不变尺寸处理操作中，特征信息矩阵经过3×3的深度可分离卷积后，尺寸不发生变化。