1.一种基于改进的注意力卷积神经网络白细胞五分类方法，其特征在于，包括以下步骤：

步骤(1)：采集白细胞图像，并把完整的血液显微图像裁剪为单独的图像，并对白细胞进行类别标注，分为嗜中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞和淋巴细胞；

步骤(2)：对于步骤(1)采集到的白细胞显微图像进行图像增强操作，并进行预处理；

步骤(3)：将步骤(2)处理后的白细胞显微图像数据集随机地按照比例划分为训练集和测试集；

步骤(4)：构建改进的注意力卷积神经网络模型，使用步骤(3)划分的训练集对改进的注意力卷积神经网络模型进行训练，此过程为一次前向传播过程；

改进的注意力卷积神经网络模型以ResNeXt‑50为骨干网络，在每个阶段后面并行嵌入一种注意力机制来利用不同层次特征最有用的部分生成类别预测和置信度得分辅助最终模型的决策；

1)ResNeXt‑50由一个普通卷积结构、一些残差块和一个全连接层组成；每个残差块的左半部分由两个1*1的卷积核和3*3的卷积核组成卷积操作，右半部分则是一个快速连接操作，两部分的结果经过加操作经激活函数得到输出；

2)在ResNeXt‑50不同阶段末嵌入注意力模块，每个注意力模块包括注意头和输出头两大部分；注意头部分对卷积过后得到的特征图Z使用1*1的卷积核进行卷积操作和空间softmax输出注意力热图M，注意力热图M与输入特征图Z通道的乘积通过广播机制得到注意头的输出H，其中M是一个2维平面，空间softmax用于模型学习图像中最相关的区域；每个注意力模块注意头的输出H由一个空间降维层即全局池化层组成，后面通过一个全连接层产生类别预测o，每个注意力模块根据其局部信息做出类别预测o；然而，在某些情况下，局部特征并不足以输出一个好的预测；为了缓解这个问题，让每个注意力模块以及骨架网络输出，通过与权矩阵的内积来预测置信度分数c，然后通过softmax函数对置信度分数进行归一化，得到权值g，网络的最终输出是各输出的类别预测和置信度分数的加权和，计算公式为

l l

output＝gnet·outputnet+∑∑gk·ok其中，output为整个网络模型的最终输出，gnet为骨干网络的输出的归一化后的置信度l

分数，outputnet为骨架网络的的类别预测，g k为每个注意力模块的输出的归一化后的置信l

度分数，ok为每个注意力模块的类别预测；

使用步骤3得到的白细胞训练集数据对步骤4设计的网络模型进行训练，此过程为一次前向传播；

步骤(5)：经过一次向前传播后，使用交叉熵损失函数计算预测值和真实值之间的误差，通过使用Adam算法来不断地减小损失误差，并更新网络模型每层的参数，此过程为一次后向传播过程；

步骤(6)：反复经过步骤(4)的前向传播和步骤(5)的后向传播，不断更新网络层参数，当训练轮数达到设置的最大训练轮数时，网络模型收敛，训练结束，保存训练集准确率最高的网络模型为最优网络模型；

步骤(7)：使用步骤(6)保存的最优网络模型进行白细胞分类，输入一张白细胞图像到训练好的模型中，输出白细胞的类别。

2.根据权利要求1所述的注意力卷积神经网络白细胞五分类方法，其特征在于，步骤(2)中针对白细胞进行数据增强操作，包括上下左右裁剪、随机旋转、增强图像对比度、镜像翻转。

3.根据权利要求1或2所述的注意力卷积神经网络白细胞五分类方法，其特征在于，步骤(3)中将步骤(2)处理过后的图像数据集随机地按照7:3的比例划分为训练集和测试集。