CN114219044B 一种图像分类方法、装置、终端及存储介质 （深圳大学）

征图；通过注意力层对第一特征图进行全局建进行图像分类，得到待分类图像对应的图像类决了现有技术中深度卷积神经网络仅具备有捕2通过所述分类层对所述第二特征图进行图像分类，得到所述待分根据若干组所述注意力权重值信息一一对应地对若干所述特征映射图进行权重标定，3将所述权重标定特征图输入所述横向全局平均池化层得到横向权重标定特征图输入所述竖向全局平均池化层得到竖向感知注意力将所述横向感知注意力图和所述竖向感知注意力图输入第二全连将所述第二通道权重值信息沿横向和竖向分别分成横向通道权重值信息和竖向通道将所述横向通道权重值信息和所述竖向通道权重值信息分别输入到所述横向通道权重值信息对应的横向注意力权重信息和所述竖向通道权重值信息对应根据所述横向注意力权重信息和所述竖向注意力权重信息，确定所将所述位置权重标定特征图作为第一层所述自注意力模块的输局部提取模块，用于通过所述卷积层获取所述待分全局建模模块，用于通过所述注意力层对所述第一特征图进储器存储有一个或者一个以上的程序；所述程序包含用于执行如权利要求1_6中任一所述4[0002]深度卷积神经网络(Deepconvolutionalneuralnetwork，DCNN)有强大的能力5[0017]在一种实施方式中，每一所述注意力模块包括分割注意力模块和坐标注意力模[0025]将所述第一通道权重值信息输入所述r_Softmax层，得到若干组注意力权重值信[0026]根据若干组所述注意力权重值信息一一对应地对若干所述特征映射图进行权重所述权重标定特征图输入所述竖向全局平均池化层得到竖向感知注[0031]将所述第二通道权重值信息沿横向和竖向分别分成横向通道权重值信息和竖向[0032]将所述横向通道权重值信息和所述竖向通道权重值信息分别输入所述激活函数所述自注意力模块的输入图像进行下采样得到下一层所述自注意力模6[0036]获取每一层所述自注意力模块输出的注意力特征图，得到若干所述注意力特征7[0058]深度卷积神经网络(Deepconvolutionalneuralnetwork，DCNN)有强大的能力8后连接有一个最大池化层，最后一个卷积块输出的初始特征图为该最大池化层的输入图[0078]在一种实现方式中，每一所述注意力模块包括分割注意力模块和坐标注意力模9意力模块输出的位置权重标定特征图可以反映该注意力模块的输入图像中各区域的通道[0088]步骤S15、根据若干组所述注意力权重值信息一一对应地对若干所述特征映射图输入第一全连接层(FClayer)。由于第一全连接层可以实现实现特征通道之间的信息交[0095]步骤S20、将所述权重标定特征图输入所述横向全局平均池化层得到横向感知注[0097]步骤S22、将所述第二通道权重值信息沿横向和竖向分别分成横向通道权重值信[0098]步骤S23、将所述横向通道权重值信息和所述竖向通道权重值信息分别输入所述标定特征图进行全局平均池化操作的横向全局平均池化层；另一个是沿着Y方向对输入的向注意力权重信息和Y方向上的竖向注意力权重信息，并将这两个方向上的注意力权重信力模块将位置信息嵌入到通道注意力中，有助于目标分类模型捕获感兴趣目标的位置信[0102]步骤S3021、将所述位置权重标定特征图作为第一层所述自注意力模块的输入图型计算的复杂度。然后通过元素相加将每一层自注意力模块输出的注意力特征图进行融h和Pw进行元素的相加得到相对位置信息P。在计算像素点xj与xi之间的相关性[0116]传统MHSA模块是在整个输入图中计算注意力，其计算复杂度和图像块数量(N)的抑制浓度，筛选出12个多药耐药菌株(即对所有六种抗生素都表现出耐药)和11个敏感菌数(F1)、卡帕(Kap)和曲线下面积(AUC)被用来评估预测结果。发明人选择自适应矩估计积(AUC)的值，可以观察到CTN具有优秀的分类性能。图6显示了Grad_CAM的可视化情况(Grad_CAM突出了预测敏感PA和MDRPA的判别区域。红色区域对应于得分高的类别。述待分类图像对应的图像类别。配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行图像分包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM