1.基于注意力机制与特征融合的图像检索方法，其特征在于，包括以下步骤：步骤1、预先利用imagenet数据集训练ResNet50模型，然后删掉ResNet50模型的全连接层；

步骤2、提取ResNet50模型的第二层卷积块的输出特征conv2_block3_out、第三层卷积块的输出特征conv3_block4_out、第四层卷积块的输出特征conv4_block6_out、第五层卷积块的输出特征conv5_block3_out；

步骤3、将步骤2得到的输出特征进行融合，得到融合特征；

步骤4、所述融合特征依次输入SE模块、池化层、全连接层，得到检索网络模型，并输出检索结果；

步骤5、对所述检索网络模型进行训练，输出精确检索结果；

步骤3中采用特征金字塔的方式将步骤2得到的输出特征进行融合；

步骤3具体包括以下步骤：

步骤3.1、将第五层卷积块的输出特征依次经过1 x 1卷积得到对应的特征图M5；对特征图M5进行上采样，与第四层卷积块的输出特征经过1 x 1卷积后得到的特征图相加，得到对应特征图M4；对特征图M4进行上采样，与第三层卷积块的输出特征经过1 x 1卷积后得到的特征图相加，得到对应特征图M3；特征图M3进行上采样，与第二层卷积块的输出特征经过

1 x 1卷积后得到的特征图相加，得到对应特征图M2；

步骤3.2、分别对所述特征图M5、特征图M4、特征图M3、特征图M2经过3 x 3卷积，得到最终的ResNet50模型的第二层、第三层、第四层、第五层特征；

步骤3.3、使用concatenate函数对第二层、第三层、第四层、第五层特征进行融合，得到融合特征；

步骤4中融合特征在SE模块中的处理过程为：

所述融合特征大小为W×H×C，先经过压缩操作后得到1×1×C向量，再经过第一个全连接层后输出1×1×C×SERadio向量，所述1×1×C×SERadio向量经ReLU函数激活后，之后输入第二个全连接层，输出为1×1×C向量，然后经过sigmoid函数激活；对所述融合特征进行scale操作后，将经过sigmoid函数激活后的1×1×C向量与所述融合特征对应通道的三维矩阵相乘，得到输出结果；

步骤4中所述全连接层的激活函数选用sigmoid函数，Sigmoid函数公式为：；

上式中， 为函数的输出，为函数的输入。

2.根据权利要求1所述的基于注意力机制与特征融合的图像检索方法，其特征在于，步骤5的训练过程中，根据检索结果的检索精度对所述检索网络模型参数进行调整。