利用所述特征金字塔網(wǎng)絡(luò)通過構(gòu)建特征金字塔對(duì)所述骨干網(wǎng)絡(luò)輸出的多尺度特征圖進(jìn)行多尺度的特征提取和融合，輸出空間域特征圖；通過所述細(xì)節(jié)增強(qiáng)子模塊利用離散余弦變換將所述特征金字塔網(wǎng)絡(luò)輸出的空間域特征圖轉(zhuǎn)換至頻域，獲得頻域特征圖；通過自適應(yīng)閾值從所述頻域特征圖中篩選出用于判別所述輸入圖像細(xì)粒度特征的高頻域特征；利用離散余弦變換將所述高頻域特征轉(zhuǎn)換回空間域，并將轉(zhuǎn)換后的空間域特征與所述特征金字塔網(wǎng)絡(luò)輸出的空間域特征圖進(jìn)行疊加，輸出細(xì)節(jié)增強(qiáng)后的特征圖；利用所述局部特征細(xì)化子模塊構(gòu)建通道注意力機(jī)制和空間注意力機(jī)制，利用所述通道注意力機(jī)制為每個(gè)通道分配不同的權(quán)重，利用所述空間注意力機(jī)制為每個(gè)空間位置分配不同的權(quán)重，基于所述通道注意力機(jī)制計(jì)算獲得的通道級(jí)別注意力圖、所述空間注意力機(jī)制計(jì)算獲得的空間級(jí)別注意力圖和所述細(xì)節(jié)增強(qiáng)子模塊輸出的細(xì)節(jié)增強(qiáng)后的特征圖，輸出局部特征細(xì)化后的特征圖；利用所述自適應(yīng)特征融合模塊從所述骨干網(wǎng)絡(luò)輸出的多尺度特征圖、所述細(xì)節(jié)增強(qiáng)子模塊輸出的細(xì)節(jié)增強(qiáng)后的特征圖和所述局部特征細(xì)化子模塊輸出的局部特征細(xì)化后的特征圖中獲取信息，通過自適應(yīng)權(quán)重學(xué)習(xí)機(jī)制，動(dòng)態(tài)調(diào)整每個(gè)特征圖的融合權(quán)重，輸出融合特征；利用所述全連接層根據(jù)所述自適應(yīng)特征融合模塊輸出的融合特征輸出預(yù)測(cè)結(jié)果。 [0008] 本發(fā)明實(shí)施例還提供了一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述所述方法的步驟。 [0009] 本實(shí)施例方案具有如下有益效果： [0010] 本實(shí)施例提出的細(xì)粒度特征提取模塊通過結(jié)合頻率域分析和多尺度卷積網(wǎng)絡(luò)，增強(qiáng)了模型對(duì)圖像中關(guān)鍵細(xì)節(jié)特征的捕捉能力；自適應(yīng)特征融合模塊通過動(dòng)態(tài)調(diào)整不同尺度特征圖的融合權(quán)重，實(shí)現(xiàn)了特征信息的優(yōu)化整合，提高了特征的表達(dá)能力，增強(qiáng)了模型對(duì)復(fù)雜圖像的泛化能力。 附圖說明 [0011] 圖1為本發(fā)明實(shí)施例麻雀的細(xì)粒度類別圖像示例示意圖； [0012] 圖2為本發(fā)明實(shí)施例基于Transformer的細(xì)粒度圖像分類系統(tǒng)的結(jié)構(gòu)示意圖； [0013] 圖3為本發(fā)明實(shí)施例?FIC?Transformer模型結(jié)構(gòu)及流程示意圖； [0014] 圖4為本發(fā)明實(shí)施例DESM模塊示意圖； [0015] 圖5為本發(fā)明實(shí)施例基于Transformer的細(xì)粒度圖像分類方法的流程示意圖； [0016] 圖6為本發(fā)明實(shí)施例計(jì)算機(jī)設(shè)備的內(nèi)部結(jié)構(gòu)圖。 具體實(shí)施方式 [0017] 在介紹本實(shí)施例方案之前，先介紹如下內(nèi)容： [0018] 針對(duì)細(xì)粒度圖像分類的研究主要有兩種思路，即特征提取和目標(biāo)檢測(cè)方法。 [0019] 一、特征提取方法 [0020] 在細(xì)粒度圖像分類領(lǐng)域，有兩種方法可以從細(xì)微區(qū)域提取判別特征，大致分為基于部分對(duì)象的方法和基于注意力的方法。 [0021] 基于部分對(duì)象的方法是利用模型生成候選區(qū)域，找到待識(shí)別的對(duì)象的局部區(qū)域，然后從中提取判別特征。MACNN通過將特征映射聚類成目標(biāo)部分，同時(shí)訓(xùn)練定位和分類精度。這種無監(jiān)督分類通過將模式劃分為對(duì)象部分來增強(qiáng)特征學(xué)習(xí)。S3N在特征映射上尋找每個(gè)類別響應(yīng)的局部極值來增強(qiáng)特征。此外，WS?DAN通過去除局部極值來增強(qiáng)數(shù)據(jù)以發(fā)現(xiàn)其他判別特征。這些方法的定位模塊往往需要大量的參數(shù)才能獲得精確的局部定位結(jié)果，訓(xùn)練的復(fù)雜性高。 [0022] 基于注意力的方法則是利用注意機(jī)制來增強(qiáng)特征學(xué)習(xí)和定位對(duì)象細(xì)節(jié)。MAMC生成多組通過注意機(jī)制增強(qiáng)的特征，Cross?X使用來自多激勵(lì)模型的注意圖來學(xué)習(xí)來自不同類別的特征。API?Net和PCA?Net使用兩幅圖像作為輸入，計(jì)算特征映射之間的注意力，以增強(qiáng)判別表示。CAP計(jì)算輸出特征的自注意圖來表示特征像素之間的關(guān)系，SR?GNN使用圖卷積神經(jīng)網(wǎng)絡(luò)來描述部件之間的關(guān)系。CAL在注意圖中加入了反事實(shí)干預(yù)來預(yù)測(cè)類別。

為通過通道注意力機(jī)制計(jì)算出的一個(gè)通道級(jí)別注意力圖， 為通過空間 注意力機(jī)制計(jì)算出的空間級(jí)別注意力圖， 表示點(diǎn)積操作， 表示元素級(jí)乘法。 4.根據(jù)權(quán)利要求1所述的基于Transformer的細(xì)粒度圖像分類系統(tǒng)，其特征在于，所述自適應(yīng)特征融合模塊具體利用如下計(jì)算式輸出融合特征： 其中， 為融合特征，代表激活函數(shù)，具體為ReLU函數(shù)， 表示連接操作，為自適應(yīng)學(xué)習(xí)得到的權(quán)重， 為骨干網(wǎng)絡(luò)輸出的多尺度特征圖， 為細(xì)節(jié)增強(qiáng)后的特征圖， 為局部特征細(xì)化后的特征圖。 5.根據(jù)權(quán)利要求1所述的基于Transformer的細(xì)粒度圖像分類系統(tǒng)，其特征在于，所述系統(tǒng)的損失函數(shù)為將加權(quán)交叉熵?fù)p失和區(qū)域敏感損失結(jié)合所形成的混合損失函數(shù)；所述加權(quán)交叉熵?fù)p失用于為假樣本類別分配高權(quán)重，為真樣本類別分頻低權(quán)重；所述區(qū)域敏感損失用于為關(guān)鍵區(qū)域分配高權(quán)重，為非關(guān)鍵區(qū)域分配低權(quán)重。 6.根據(jù)權(quán)利要求5所述的基于Transformer的細(xì)粒度圖像分類系統(tǒng)，其特征在于，所述混合損失函數(shù)的計(jì)算表達(dá)式為： 其中， 為混合損失函數(shù)，和 為權(quán)重系數(shù)， 為加權(quán)交叉熵?fù)p失， 為區(qū)域敏感損失。 7.根據(jù)權(quán)利要求6所述的基于Transformer的細(xì)粒度圖像分類系統(tǒng)，其特征在于，所述加權(quán)交叉熵?fù)p失的計(jì)算表達(dá)式為： 其中， 為加權(quán)交叉熵?fù)p失， 是為類別? ?的權(quán)重，為樣本數(shù)， 為樣本? ?屬于類別? ?的真實(shí)標(biāo)簽， 為模型對(duì)類別? ?的預(yù)測(cè)概率。 8.根據(jù)權(quán)利要求6所述的基于Transformer的細(xì)粒度圖像分類系統(tǒng)，其特征在于，所述區(qū)域敏感損失的計(jì)算表達(dá)式為： 其中， 為區(qū)域敏感損失， 是關(guān)鍵區(qū)域 的權(quán)重， 是指數(shù)函數(shù)，表示樣本 是否屬于區(qū)域 ，為樣本數(shù)，是基本損失函數(shù)，是關(guān)鍵區(qū)域的數(shù)量， 為模型對(duì)樣本的預(yù)測(cè)標(biāo)簽， 為樣本的真實(shí)標(biāo)簽。 9.一種基于Transformer的細(xì)粒度圖像分類方法，其特征在于，應(yīng)用于如權(quán)利要求1至8任一項(xiàng)所述的基于Transformer的細(xì)粒度圖像分類系統(tǒng)，所述方法包括： 利用所述骨干網(wǎng)絡(luò)通過內(nèi)置的移動(dòng)窗口機(jī)制，處理輸入圖像中的多尺度信息，輸出所述輸入圖像的多尺度特征圖； 利用所述特征金字塔網(wǎng)絡(luò)通過構(gòu)建特征金字塔對(duì)所述骨干網(wǎng)絡(luò)輸出的多尺度特征圖進(jìn)行多尺度的特征提取和融合，輸出空間域特征圖；