1.基于自适应关注区域Transformer的图像分类方法，其特征在于，具体为：步骤1，选取n张图像作为训练样本集合P＝{p1,p2，…,pn}，然后对训练样本集合P中的第i＝{1,

2,...,n}张图像pi使用尺度不变特征变换获得N个特征点；

步骤2，获得步骤1中的N个特征点中最密集区域的中心点M(x,y)；

步骤3，根据步骤2获得的最密集区域的中心点M(x,y)，确定关注区域及非关注区域；

步骤4，分别提取步骤3获得的关注区域和非关注区域的特征为F1和F2，进行融合组成图像特征F；

步骤5，MART网络创建一个新的分类标签和新的位置标签，然后将步骤4获得的图像特征F分别与新的分类标签和新的位置标签融合组成图像特征标签FT；

步骤5的具体过程为：

步骤5.1，将步骤4获得的图像特征图输入到MART网络；MART网络的网络结构由位置标签position、分类标签cls_token、Transformer Block和MLP Head组成，首先将输入图像特征图与位置标签position和分类标签cls_token进行拼接组成图像特征标签；然后将图像特征标签输入到Transformer Block中进行学习图像块间注意力获得注意力特征；MART网2

络创建一个行向量tensor名为cls_token作为分类标签，cls_token的维度是[1，12S]；将分类标签cls_token和特征图F在第1个维度拼接，拼接之后组成新的特征图F’的维度是步骤5.2，创建一个维度是 的向量tensor名为position作为位置标签，将步骤5.1获得的新的特征图F’和位置标签position相加为图像特征标签FT，图像特征标签FT的维度是步骤6，将步骤5获得的图像特征标签FT进行学习图像块间注意力获得注意力特征AT，从而进行图像分类。

2.根据权利要求1所述的基于自适应关注区域Transformer的图像分类方法，其特征在于，步骤1的具体过程为：步骤1.1，选取n张图像作为训练样本集合P＝{p1,p2，…,pn}；

步骤1.2，将步骤1.1获得的训练样本集合P中的第i＝{1,2,...，n}张图像pi使用cv2.normalize()方法将图像的值收缩到0‑255之间，从而获得量化成int8的图像信息；

步骤1.3，经过步骤1.2获得量化之后的图像信息，将该图像信息输入到cv2.xfeatures2d.SIFT_create().detectAndCompute()方法中，从而获得图像pi的N个特征点。

3.根据权利要求2所述的基于自适应关注区域Transformer的图像分类方法，其特征在于，步骤2的具体过程为：步骤2.1，将步骤1获得图像的N个特征点输入到numpy.mean()方法中获取N个特征点坐标的均值坐标位置Mean(x1,y1)；

步骤2.2，将步骤2.1获得的均值坐标位置Mean(x1,y1)输入到方法sklearn.cluster.MeanShift()的参数seeds中，并且该方法的参数bin_seeding设置为True；调用该方法的fit()方法，并将步骤1.2获得的N个特征点输入fit()方法中，从而获得N个特征点的聚类信息L；

步骤2.3，调用步骤2.2获得的N个特征点的聚类信息L的cluster_centers_属性，获得N个特征点中的聚类中心坐标，即最密集区域的中心点M(x,y)。

4.根据权利要求3所述的基于自适应关注区域Transformer的图像分类方法，其特征在于，步骤3的具体过程为：步骤3.1，将步骤2.3获得的最密集区域的中心点M(x,y)作为关注区域的中心点M’(x′,y′)；

步骤3.2，设置关注区域的宽度W和高度H，根据步骤3.1获得的关注区域的中心点M’(x′,y′)计算关注区域的左上角坐标A(xa,ya)和右下角坐标B(xb,yb)；

步骤3.3，根据步骤3.2获得的关注区域的左上角顶点坐标A(xa,ya)和右下角顶点坐标B(xb,yb)进行判断坐标是否超出图像范围；创建 和分别作为左上角顶点A(xa,ya)在X轴和Y轴与右下角顶点B(xb,yb)在X轴和Y轴超出图像范围的值；图像的原始宽和高为OW和OH；

其中，关注区域的左上角顶点A在X轴上超出图像范围的值 的计算方式如公式(1)所示：式(1)中，x′是关注区域中心点M’的X轴坐标，W是关注区域的宽度；

关注区域的左上角顶点A在Y轴上超出图像范围的值 的计算方式如公式(2)所示：式(2)中，y′是关注区域中心点M’的Y轴坐标，H是关注区域的高度；

关注区域的右下角顶点B点在X轴上超出图像范围的值 的计算方式如公式(3)所示：式(3)中，x′是关注区域中心点M’的X轴坐标，W是关注区域的宽度，OW是图像的原始宽度；

关注区域的右下角顶点B点在Y轴上超出图像范围的值 的计算方式如公式(4)所示：式(4)中，y′是关注区域中心点M’的Y轴坐标，H是关注区域的高度，OH是图像的原始高度；

步骤3.4，根据步骤3.3获得的关注区域的左上角顶点A(xa,ya)在X轴和Y轴与右下角顶点B(xb,yb)在X轴和Y轴超出图像范围的值 和然后需要计算超出范围之后的左上角顶点A’(x′a,y′a)和右下角顶点B’(x′b,y′b)坐标；

其中，A’点的X轴坐标x′a的计算方式如公式(5)所示：

式(5)中，x′是关注区域中心点M’的X轴坐标，W是关注区域的宽度， 是关注区域的左上角顶点A点在X轴上超出图像范围的值， 是关注区域的右下角顶点B点在X轴上超出图像范围的值；

A’点的Y轴坐标y′a的计算方式如公式(6)所示：

式(6)中，y′是关注区域中心点M’的Y轴坐标，H是关注区域的高度， 是关注区域的左上角顶点A点在Y轴上超出图像范围的值， 是关注区域的右下角顶点B点在Y轴上超出图像范围的值；

B’点的X轴坐标x′b的计算方式如公式(7)所示：

式(7)中，x′是中心点M’的X轴坐标，W是关注区域的宽度， 是关注区域的左上角顶点A点在X轴上超出图像范围的值， 是关注区域的右下角顶点B点在X轴上超出图像范围的值；

B’点的Y轴坐标y′b的计算方式如公式(8)所示：

式(8)中，y′是中心点M’的Y轴坐标，H是关注区域的高度， 是关注区域的左上角顶点A点在Y轴上超出图像范围的值， 是关注区域的右下角顶点B点在Y轴上超出图像范围的值；

步骤3.5，根据步骤3.4获得的关注区域超出范围之后的左上角顶点A’(x′a,y′a)和右下角顶点B’(x′b,y′b)坐标，便可以获得关注区域的图像，剩余的图像区域便是非关注区域的图像。

5.根据权利要求4所述的基于自适应关注区域Transformer的图像分类方法，其特征在于，步骤4的具体过程为：步骤4.1，将步骤3.5获得的关注区域图像与非关注区域图像使用torch.as_tensor()方法将图像信息转换成float32类型的关注区域和非关注区域图像信息；

步骤4.2，将步骤4.1获得的转换成float32类型的关注区域图像信息使用较小的卷积核大小为 步长和卷积核大小相同为S，通道数为2S×

2S×3，进行卷积操作提取图像特征，获得关注区域小尺度的细粒度特征F1，细粒度特征F1的维度 将步骤4.1获得的转换成float32类型的非关注区域图像信息使用较大的卷积核大小为2S×2S，步长和卷积核大小相同为2S，通道数为2S×2S×3，进行卷积操作提取图像特征，从而将非关注区域图像划分成较大的图像块，进而获得非关注区域大尺度的粗粒度特征F2，粗粒度特征F2的维度步骤4.3，将步骤4.2获得的关注区域小尺度的细粒度特征F1的第2维度和第3维度合并，合并之后的细粒度特征F1的维度是 将步骤4.2获得的非关注区域大尺度的粗粒度特征F2的第2维度和第3维度合并，合并之后的粗粒度特征F2的维度是将细粒度特征F1和粗粒度特征F2在第2个维度拼接，拼接之后的图像特征图F的维度是 然后将图像特征图F的第1个维度和第2个维度互换，互换之后的图像特征图F的维度是

6.根据权利要求1所述的基于自适应关注区域Transformer的图像分类方法，其特征在于，步骤6的具体过程为：步骤6.1，将步骤5.2获得的图像特征标签FT输入到Transformer Block中进行学习块间注意力获得图像的注意力特征AT；

步骤6.2，将步骤6.1获得的图像的注意力特征AT输入到分类器MLP Head中将注意力特征AT通过线性连接层计算图像pi属于每个类别的概率，然后从这些概率中找出最大值，将概率最大的类别输出，即输出图像pi的分类结果；

步骤6.3，重复执行步骤1.2至步骤6.2获得图像pi+1的分类结果，直至i+1＞n时结束执行。