1.一种深度网络困难样本生成方法，其特征在于，包括如下步骤：S01、获取训练集图像，将训练集图像Ik，k＝1,2,...,N输入基础网络ResNet‑50，提取来自conv5_3层的特征 其中W×H为特征F的高和宽，C为F的通道数，N为训练集图像数量；

S02、建立空间注意机制，得到空间注意权重矩阵c

S03、建立通道注意机制，得到通道注意向量a；

c s

S04、逐步应用通道注意向量a 和空间注意权重矩阵a生成双注意力加强特征，完成将空间注意机制与通道注意机制融合，得到双注意力加强特征S05、利用Grad‑cam对双注意力加强特征 进行处理，得到对应于Ik的关注热图，并利用OTSU算法对关注热图进行二值化操作，得到关注二值图片Bk，k＝1,2,...,N；

S06、对于每一张Bk，k＝1,2,...,N，选取其最大的连通域，在对应的原图Ik，k＝1,

2,...,N上将该连通域对应像素的灰度值置为0，即生成双注意机制下的困难样本Jk，k＝1,

2,...,N；

步骤S02具体为：

(1)提取来自conv5_3层的特征F；

(2)提取特征F中空间位置l＝(x,y)处的空间特征(3)空间位置l＝(x,y)处的注意力权重可以通道softmax操作获得：进而得到空间注意权重矩阵

步骤S03具体为：

(1)对每个通道的特征 应用平均池化得到ui，进而得到通道特征(2)在平均池化层后接一个卷积层学习每个通道的强化特征，即：u'＝Wc*u+bc

其中*表示卷积操作，Wc表示权重，bc是偏置项；

(3)对u'＝[u′1,u′2,...,u′C]应用Sigmoid操作，生成通道注意向量即通道i的注意值