1.一种基于注意力图排序的细粒度识别方法，其特征在于，包括如下步骤：(1)获取原图像特征，所述获取原图像特征具体包括：

利用卷积神经网络Inception v3前三个卷积层提取训练集中图像的特征，然后使用3*

3卷积Conv、全局最大池化GAP和全局平均池化GMP分别对第三个卷积层的输出结果X3进行处理，将处理得到的三个特征： 进行级联，得到级联后的特征 然后将级联后的特征进行批标准化Batch Normalization处理加快卷积网络的训练速度，通过全连接处理得到图像的特征图；通过双线性插值法将得到的特征图调整到相同大小，从而得到原图像的特征，用于最后的类别预测；

(2)进行弱监督注意力学习，所述进行弱监督注意力学习包括：(2.1)获取特征图和注意力图；

(2.2)双线性注意力集中；

(2.3)注意力正则化；

(2.4)训练过程中注意力图导向的数据扩充，包括增强图、注意力裁剪和注意力下降的数据扩充；

(3)定位与细化，通过边界框定位出细粒度识别区域并提取该区域的特征；

(4)将注意力图按重要性排序算法进行排序，选取出最有鉴别性的区域来参与类别预测；

(5)将所述原图像、定位出的所述细粒度识别区域、选取的所述最有鉴别性的区域三个层面的特征进行级联，用于最终的预测。

2.根据权利要求1所述的细粒度识别方法，其特征在于，步骤(2.1)中，所述获取特征图和注意力图具体为：H×W×N

利用卷积神经网络提取训练集中图像的特征，得到特征图F，F∈R ，R表示维度，H、WH分别表示特征图的高度、宽度，N表示特征图通道数，物体各部分的分布用注意力图A∈R×W×M来表示，M表示注意力图数量，注意力图A是由F通过如下公式获得的：其中F表示特征图，f(F)表示对特征图进行卷积操作，k表示计数器，k∈[1，M]，Ak表示第k张注意力图。

3.根据权利要求2所述的细粒度识别方法，其特征在于，步骤(2.2)中，所述双线性注意力集中具体为：在得到注意力图A之后，使用双线性注意力集中BAP从这些部分提取特征，按元素将特征图F乘以每个注意力图来生成零件特征图，如下公式所示：Fk＝Ak⊙F(k＝1，2，...M)

1×N

其中，Fk∈R 表示第k张零件特征图，⊙代表逐元素相乘操作；

通过特征提取操作进一步提取有区别的局部特征，获得第k个进一步提取后的零件特

1×N

征fk∈R ，如下公式所示：

fk＝g(Fk)

其中，fk表示第k个进一步提取后的零件特征，g(Fk)表示对第k张零件特征图Fk进行特征提取操作；

M×N

物体整体的特征由零件特征矩阵P∈R 表示，该矩阵由这些进一步提取后的零件特征叠加而成，可以用下边的式子表示零件特征矩阵，其中，M表示注意力图数量，N表示特征图通道数。

4.根据权利要求3所述的细粒度识别方法，其特征在于，步骤(2.3)中，所述注意力正则化具体为：对于每一个细粒度的类别，期望第k张注意力图Ak代表对象的第k个相同部位，惩罚属于同一部位进一步提取后的零件特征的差异，第k个进一步提取后的零件特征fk将接近第k个

1×N

全局特征中心ck∈R ，并且第k张注意力图Ak将在同一对象的零件中被激活，注意力正则化损失 如下公式所示：ck更新公式如下：

ck←ck+β(fk‑ck)

其中，M表示注意力图数量，k表示计数器，k∈[1，M]，fk表示第k个进一步提取后的零件特征，ck表示第k个全局特征中心， 表示对第k个进一步提取后的零件特征fk与第k个全局特征中心的差求二范数再平方，β表示ck的更新速率。

5.根据权利要求4所述的细粒度识别方法，其特征在于，步骤(2.4)中，所述训练过程中注意力图导向的数据扩充，包括增强图、注意力裁剪和注意力下降的数据扩充，具体为：所述增强图的数据扩充步骤如下：

当对象的尺寸很小时，图像中很大一部分都是背景，此种情况下随机数据增强效率很低，对于每个训练图像，随机选择一张注意力图来指导强化学习过程，并将其归一化为增强图，该过程可用如下公式来表示：其中， 表示第k张注意力图的增强图， R表示维度，H、W分别表示注意力图的增强图的高度、宽度，Ak表示第k张注意力图，min(Ak)表示第k张注意力图中像素值最小像素点的像素值，max(Ak)表示第k张注意力图中像素值最大像素点的像素值；

所述注意力裁剪的数据扩充步骤如下：

首先将 大于人为设定的裁剪阈值θc∈[0，1]的像素点的裁剪遮罩设置为1，其他像素点的裁剪遮罩设置为0，如下公式所示：其中，(i，j)表示横轴、纵轴坐标分别为i和j的像素点，Ck(i，j)表示从第k张增强图获得的像素点(i，j)的裁剪遮罩， 表示第k张增强图中像素点(i，j)的值；

从第k张增强图确定的边界框Bk可以覆盖Ck(i，j)为正值的区域，从原图像中放大Bk包围的区域作为增强的输入数据，提取更细粒度的特征；

所述注意力下降的数据扩充步骤如下：

通过将 大于人为设定的下降阈值θd∈[0，1]的像素点的下降遮罩设置为0，并将其它像素点的下降遮罩设置为1，如下公式所示：其中Dk(i，j)表示从第k张增强图获得的像素点(i，j)的下降遮罩。

6.根据权利要求5所述的细粒度识别方法，其特征在于，步骤(3)中，所述定位与细化，通过边界框定位出细粒度识别区域并提取该区域的特征，具体为：利用训练好的网络模型经过步骤(2.1)后得到所述注意力图A，指示对象位置的M张注意力图的平均Aaver由下式计算：根据Aaver按照步骤(2.4)中所述注意力裁剪的数据扩充步骤从原图像中裁剪出Aaver指示的对象区域，该区域即为定位出的细粒度识别区域，利用双线性插值法将该区域放大，利用相同的网络结构提取该区域的特征，得到细粒度识别区域特征，用于最后的类别预测。

7.根据权利要求6所述的细粒度识别方法，其特征在于，步骤(4)中，所述将注意力图按重要性排序算法进行排序，选取出最有鉴别性的区域来参与类别预测具体为：利用训练好的网络模型经过步骤(2.1)后得到所述注意力图A，从原图像中裁剪出Ak指示的对象区域，利用双线性插值法将该区域放大，利用相同的网络结构提取该区域的特征，根据该特征判断其属于groundtruth类的概率Q1，Q2，Q3，...，Qm，选取出属于groundtruth类概率的最大值Qk所对应的一个区域，该区域相应的Ak被认为重要程度最高，把该区域当作锚节点，计算出每个区域的几何中心的坐标，把几何中心距离锚节点几何中心小于margin的所有区域挑选出来，相应地得到这些区域相对应的注意力图Ak，Al，...，At，对这些注意力图求平均得到Aaver，从原图像中裁剪出Aaver指示的物体区域，该区域即为最有鉴别性的区域，利用双线性插值法将该区域放大，利用相同的网络结构提取该区域的特征，得到最有鉴别性的区域特征，用于最后的类别预测。