1.一种多尺度通道注意力的图像数据处理方法，其特征在于，包括以下步骤：S21：对输入数据即原始图像或特征图进行数字化处理，将提取到的特征转换为数字化，并通过张量矩阵存储，经过归一化处理使卷积神经网络收敛加快；

S22：使用全局通道注意力机制与局部通道注意力机制相结合的方法，对输入数据进行特征提取和特征融合；

S22.1：在全局通道注意力机制内使用全局平均池化、自适应选择卷积核大小的一维卷积层和Sigmoid激活函数，其中所述全局平均池化过程的计算公式为：，其中 表示全局平均池化结果，为输入图像，其尺寸

为W×H×C，W、H和C分别表示输入图像的宽、高和通道，i和j分别代表宽和高上的像素点位置；

自适应选择的计算公式为： ，其中k表示一维卷积

的卷积核大小，C表示通道数， 表示k只能取奇数，和b用于改变C和k之间的比例；

Sigmoid激活函数也称为S型生长曲线，计算公式为： ，其中x为输入；

S22.2：在局部通道注意力机制中采用的是二维卷积实现的多层感知机MLP，用于提取局部特征，MLP架构为卷积核大小为1的两个二维卷积以及中间的ReLU函数激活，输入数据经二维卷积后仅改变其通道数，第一个卷积操作的输出通道数为输入通道数的十六分之一，第二个卷积操作的输出通道数与嵌入位置通道数一致，ReLU函数通过将相应的活性值设为0，仅保留正元素并丢弃所有负元素；

S22.3：将全局注意力与局部注意力的输出进行融合操作，并使用Sigmoid函数激活数据得到最终的注意力权重，然后将激活后的数据与输入数据进行逐像素相乘；

S22.4：通过Sigmoid函数进行压缩，它将已有数据根据其范围，将任意输入压缩到区间（0, 1）中的某个值，以保证归一化；

S22.5：对输入数据与激活后的数据进行逐像素相乘操作，用来完成对输入数据的不同位置加权操作，从而更关注全局特征和局部特征。

2.根据权利要求1所述的一种多尺度通道注意力的图像数据处理方法，其特征在于，所述输入数据通过所述步骤S24中二维卷积后仅改变其通道数，且在整个MLP架构内，对输入数据的通道以一种先收缩后扩张的方式估计通道间的注意力，其中的收缩系数为r，收缩后特征尺度为H×W×C/r，使用ReLU激活函数，扩张后特征尺度为H×W×C。