[0023] 隨著Transformer在計算機視覺領(lǐng)域的發(fā)展，人們提出了許多改進的Vision?Transformer架構(gòu)，如FFVT、SIM?Trans、TransFG和AFTrans，這些方法利用Transformer層中的自注意力圖來增強特征學習和定位物體細節(jié)。Transformer最初是由Vaswani等人在自然語言處理領(lǐng)域提出的，其核心思想是通過自注意力機制來建模序列數(shù)據(jù)中的長距離依賴關(guān)系。隨后，Transformer被成功地應(yīng)用于計算機視覺領(lǐng)域，誕生了一系列基于Transformer的視覺模型，如Vision?Transformer? (ViT)和?Swin?Transformer。?ViT?是一種基于Transformer的圖像分類模型，它將輸入圖像分割成固定大小的patch，并將這些patch嵌入到序列中，以便通過標準Transformer編碼器進行處理。Swin?Transformer?提出了窗口化自注意力機制，能夠在保持計算效率的同時捕獲局部和全局上下文信息。Swin?Transformer通過層級結(jié)構(gòu)逐步擴大感受野，使其在多種視覺任務(wù)中均取得了優(yōu)異的成績。 [0024] 盡管Transformer在圖像識別領(lǐng)域取得了巨大的成功，但仍存在一些挑戰(zhàn)需要解決。例如，ViT在訓練過程中需要大量的數(shù)據(jù)才能收斂，并且在小規(guī)模數(shù)據(jù)集上容易過擬合。 此外，Swin?Transformer雖然通過窗口化機制解決了計算效率問題，但在處理圖像中細粒度特征時仍存在局限性。例如，在細粒度圖像分類任務(wù)中，細微的文字、圖案差異往往決定了細粒度特征的判斷，而這些特征的捕捉對于現(xiàn)有的Transformer架構(gòu)來說仍是一大挑戰(zhàn)。 [0025] 二、目標檢測方法 [0026] 目標檢測方法旨在于找到目標的位置和分類，整體架構(gòu)和思想類似于細粒度的視覺分類任務(wù)。不同的是，細粒度視覺分類的目的不在于是否找到對象的區(qū)域，而是是否找到具有可區(qū)分特征的區(qū)域，以及這些特征是否可以更有效地用于識別。 [0027] 有監(jiān)督的目標檢測方法往往具有較好的效果。Faster?RCNN通過區(qū)域建議網(wǎng)絡(luò)(Region?Proposal?Network,?RPN)預測特征圖上的每個像素位置是否為目標，然后預測目標區(qū)域的類別。YOLO和RetinaNet通過整個網(wǎng)絡(luò)完成位置和類別的預測。以上方法都是從手工標注中學習到對象的區(qū)域，完成對對象區(qū)域的識別。弱監(jiān)督目標檢測(Weakly?supervised?object?detection,?WSOD)方法則被用作克服這些限制的一種替代方法。B.?Zhou等人觀察到，通過學習對象類標簽，可以學習對象在空間中的表示，即通過特征圖上的信息對對象位置進行虛擬標注。例如，WCCN首先通過類激活圖(Class?Activation?Map,?CAM)完成候選區(qū)域的劃分，CAM的原理是在之前的特征圖上進行圖預測得分生成類特定的熱圖，然后使用第二階段模型篩選更好的候選區(qū)域。ACoL、SPG等方法也是基于CAM來完成定位的。WSOD2通過自上而下和自下而上的方法對虛擬候選框進行評分，得分最高的作為下一層的目標輸出。MIST通過自我訓練來細化感興趣區(qū)域，而WSCL通過數(shù)據(jù)增強和對比學習來改進感興趣區(qū)域的特征。這些方法利用前一階段的輸出作為目標，通過細化過程逐漸發(fā)現(xiàn)整個目標對象。 [0028] 以上方法表明，類別標簽可以提供豐富的目標定位特征，定位出更多的類別分類區(qū)域。然而，細粒度圖像分類任務(wù)的目標不再是檢測完整的物體，而是找到最關(guān)鍵的區(qū)域，并利用這些區(qū)域進行更好的判別。 [0029] 基于此，本實施例提出了一種基于Transformer架構(gòu)的深度學習模型。該模型通過細粒度特征提取和自適應(yīng)特征融合策略，可顯著提高鑒別的準確性和魯棒性。細粒度特征提取模塊能夠增強模型對關(guān)鍵細節(jié)的捕捉能力，而自適應(yīng)特征融合模塊則優(yōu)化了多尺度特征的整合。此外，本實施例針對細粒度分類任務(wù)，改進了損失函數(shù)，進一步提升了模型對困難樣本和關(guān)鍵區(qū)域特征的學習效果。 [0030] 下面將結(jié)合附圖及實施例對本發(fā)明作進一步詳細的描述。 [0031] 本發(fā)明實施例提供了一種基于Transformer的細粒度圖像分類系統(tǒng)，如圖2所示，所述系統(tǒng)包括細粒度圖像分類模型101和全連接層102，所述細粒度圖像分類模型101包括骨干網(wǎng)絡(luò)201、特征金字塔網(wǎng)絡(luò)202和細粒度特征提取模塊203；所述細粒度特征提取模塊 203包括細節(jié)增強子模塊301、局部特征細化子模塊302和自適應(yīng)特征融合模塊303； [0032] 所述骨干網(wǎng)絡(luò)201，用于通過內(nèi)置的移動窗口機制，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；

通過所述細節(jié)增強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行疊加，輸出細節(jié)增強后的特征圖； 利用所述局部特征細化子模塊構(gòu)建通道注意力機制和空間注意力機制，利用所述通道注意力機制為每個通道分配不同的權(quán)重，利用所述空間注意力機制為每個空間位置分配不同的權(quán)重，基于所述通道注意力機制計算獲得的通道級別注意力圖、所述空間注意力機制計算獲得的空間級別注意力圖和所述細節(jié)增強子模塊輸出的細節(jié)增強后的特征圖，輸出局部特征細化后的特征圖； 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、所述細節(jié)增強子模塊輸出的細節(jié)增強后的特征圖和所述局部特征細化子模塊輸出的局部特征細化后的特征圖中獲取信息，通過自適應(yīng)權(quán)重學習機制，動態(tài)調(diào)整每個特征圖的融合權(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測結(jié)果。 10.一種存儲介質(zhì)，所述存儲介質(zhì)中存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時，實現(xiàn)權(quán)利要求9所述方法的步驟。