一种生成注意力图像的方法、装置、计算机设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种生成注意力图像的方法、装置、计算机设备及存储介质。


背景技术：

2.随着人工智能的不断发展，出现了一大批语义分割网络，传统的语义分割网络主要通过叠加多个卷积来模拟长距离依赖关系，但获取的依赖关系较弱，为了获得密集的像素级的相关性，non-local network利用自注意力机制生成注意力图像使任何位置的单一特征能够感知所有其他位置的特征，能够产生更强大的像素级的表征能力，自注意力机制能够捕获特征图中任意两个位置的空间依赖关系，获得长距离像素间的依赖信息。但是，在生成注意力图像过程中计算每个像素间的相关性往往需要进行大矩阵的矩阵乘法，在计算过程中往往需要较大的计算量，并且耗费较多的时间，效率较低。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种生成注意力图像的方法、装置、计算机设备及存储介质，以解决在生成注意力图像的过程中计算量大耗费时间多，效率低的问题。
4.本技术实施例的第一方面提供了一种生成注意力图像的方法，包括：
5.对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵；其中，n为大于1的整数；
6.将所述n个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；
7.按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像，通过所述注意力图像生成策略，最后获得第n个特征矩阵对应的注意力图像。
8.上述方案中，所述对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵包括：
9.对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵，其中每一次划分区域时，将所述特征图划分为大小相等的区域。
10.上述方案中，所述对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵包括：
11.对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵，其中所述n个特征矩阵中第一个特征矩阵中的每个元素值为所在特征区域的特征值均值。
12.上述方案中，所述预设的注意力图像生成策略包括：
13.根据第i个特征矩阵，获取第i 1个特征矩阵；其中i为大于1小于n的整数；
14.根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较大的区域；
15.根据所述第i 1个特征矩阵，获取第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值；
16.上述方案中，所述预设的注意力图像生成策略还包括：
17.根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较小的区域；
18.根据第i个特征矩阵的注意力图像中自相关性较小的区域，预测第i 1个特征矩阵的注意力图像中对应区域的自注意力值。
19.上述方案中，所述根据所述第i 1个特征矩阵，获取第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值包括：
20.通过第i 1个特征矩阵点积获得第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值。
21.上述方案中，所述方法还包括：
22.对所述地n个特征矩阵对应的第n个注意力图像进行归一化处理，获得归一化图像；
23.通过对所述特征图进行线性变换处理，获得所述特征图的h特征图；
24.根据所述归一化图像和所述h特征图获得自注意力特征图。
25.本技术实施例的第二方面提供了一种生成注意力图像的装置，包括：
26.划分单元：对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，得到n个特征矩阵；其中，n为大于1的整数；
27.排序单元：将所述n个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；
28.处理单元：按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像。
29.本技术实施例的第三方面提供了一种计算机设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，该计算机指令用于使该计算机执行生成注意力图像的方法的各步骤。
30.实施本技术实施例提供的一种生成注意力图像的方法具有以下有益效果：
31.本技术实施例提供的一种生成注意力图像的方法，对原始图像的特征图进行特征区域划分，得到n个特征矩阵；其中，n为大于1的整数；将所述n个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像。该方法根据粗粒度特征图的自相关性较小的区域预测细粒度特征图对应区域的相关性，减小了矩阵的计算量，提高了生成注意力图像的效率。
附图说明
32.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
33.图1是本技术一实施例中一种生成注意力图像的方法实现流程图；
34.图2是本技术另一实施例中一种生成注意力图像的方法实现流程图；
35.图3是本技术实施例提供的一种生成注意力图像的方法装置的结构框图；
36.图4是本技术实施例提供的一种服务器端设备的结构框图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
38.本实施例提供的生成注意力图像的方法，可以由服务器端执行。
39.本技术涉及的生成注意力图像的方法，应用于人工智能领域，使得在生成特征注意力图像时，可以减小计算量，提高效率。
40.请参阅图1，图1示出了本技术实施例提供的一种生成注意力图像的方法的实现流程图。
41.如图1所示，一种生成注意力图像的方法，包括：
42.s11：对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵；其中，n为大于1的整数。
43.在步骤s11中，利用神经网络模型提取原始图像的特征，得到特征图，将该特征图进行区域划分，每个区域用一个特征值表示，则每次区域划分可以得到由特征值组成的特征矩阵，对特征图进行n次区域划分，得到n个特征矩阵，其中，每次区域划分在前一次区域划分的基础上进行区域缩小的划分，所以特征矩阵是依次增大的矩阵。
44.在本实施例中，以医疗图像中肿瘤图像为例，利用卷积神经网络获取原始图像的特征，通过训练获得原始图像像素的特征值，根据原始图像中特征区域初次划分区域，得到特征图的初始矩阵，初始矩阵的大小可以根据特征在原始图像中的位置自定义确定，使所提取的特征至少在其中一个区域中。在本实施例中初始划分区域为2
×
1大小的维度，得到2
×
1大小的特征矩阵，依次进行区域划分，本实施例中，将特征图划分4次，最终将特征图划分为8
×
8大小的维度，得到8
×
8大小的特征矩阵。在进行区域划分时，根据划分得到的特征图维度不同，每个维度的区域大小也不相同。若特征图为2480
×
2480像素，把特征图划分为2
×
1大小的维度，则每个维度的区域为1240
×
2480像素，把特征图划分为2
×
2大小的维度，则每个维度的区域为1240
×
1240像素。随着划分次数的增加，每个区域的大小越来越小。
45.这里，通过卷积神经网络获取原始图像的特征图，卷积神经网络是通过训练获得的，本实施例中的训练网络包括输入层与，输出层，卷积层、全连接层、池化层和激活函数等结构，卷积神经网络通常使用卷积层和池化层作为特征提取单元，提取原始图像中的目标特征，得到特征图。
46.作为本技术一实施例，步骤s11具体包括：
47.所述对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵包括：对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩
阵，划分n次，得到n个特征矩阵，其中每一次划分区域时，将所述特征图划分为大小相等的区域。所述对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵包括：对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵，其中所述n个特征矩阵中第一个特征矩阵中的每个元素值为所在特征区域的特征值均值。
48.在本实施例中，以医疗图像中肿瘤图像为例，根据原始图像获得的特征图，把特征图初次划分区域划分为2
×
1，则区域划分后获得的特征矩阵大小为2
×
1的特征矩阵。在区域划分时，每个区域的大小相等。若在区域划分时，不能保证每个区域大小相等，则需要对特征图进行补充，以特征值为0的像素补充特征图，使每个区域的大小相等。例如，当特征图的大小为2480
×
2480像素时，把特征图划分为大小为2
×
1的特征区域，则每个区域的大小为1240
×
1240像素。
49.这里，在获取特征矩阵时，第一个特征矩阵中的每个元素值通过像素特征值获得，特征矩阵中的元素值为对应区域的特征值的均值。
50.s12:将所述n个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；
51.在步骤s12中，根据特征图的特征矩阵获得特征矩阵对应的注意力图像，其中，注意力图像根据特征矩阵中的元素获得n个特征矩阵，生成n个注意力图像，注意力图像的序列与特征矩阵的序列对应。
52.在本实施例中，以医疗图像中肿瘤图像为例，根据原始图像中的特征，把特征图划分为2
×
1大小的区域，得到初始特征矩阵为2
×
1的大小矩阵，把特征图最终划分为8
×
8大小的区域，最终获得四个特征矩阵和四个注意力图像，根据特征矩阵的尺度从小到大排序，分别为2
×
1，2
×
2，4
×
4，8
×
8大小的矩阵，其中，小尺度特征矩阵中每个元素在特征图中对应的区域与大尺度特征矩阵中每个元素在特征图中对应的区域存在相互对应的关系。
53.这里，矩阵特征图区域划分获得特征矩阵，特征矩阵的大小从2
×
1大小开始，获得对应的注意力图像n1，第二个特征矩阵为2
×
2大小的矩阵，获得对应的注意力图像n2，第三个特征矩阵为4
×
4大小的矩阵，获得对应的注意力图像n3，第四个特征矩阵为8
×
8大小的矩阵，获得对应的注意力图像n4。则注意力图像传递序列为n1传递给n2，n2传递给n3，n3传递个n4。
54.s13:按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像，通过所述注意力图像生成策略，最后获得第n个特征矩阵对应的注意力图像。
55.在步骤s13中，根据特征矩阵生成对应的注意力图像，由小尺度特征矩阵对应的注意力图像依次传递生成大尺度特征矩阵对应的注意力图像。注意力图像是对特征矩阵中各元素对应区域间的相关性的反映，生成反映图像各区域与目标区域相关性的注意力图像，可以提高特征提取的精度。直接计算特征图中任意两个区域之间的关系，可以一步到位地获取图像的全局几何特征。
56.在本实施例中，以医疗图像中肿瘤图像为例，根据注意力图像传递序列生成每个所述特征矩阵对应的注意力图像，是依据小尺度特征矩阵，计算依次获得最终的特征矩阵
对应的注意力图像。在本实施例中，根据特征矩阵为2
×
1的大小矩阵计算获得对应的注意力图像n1，根据获得的注意力图像n1和2
×
2的特征矩阵，再次获得2
×
2的特征矩阵对应的注意力图像n2，依次获得第四个8
×
8特征矩阵对应的注意力图像n4。
57.作为本技术一实施例，步骤s13具体包括：
58.根据第i个特征矩阵，获取第i 1个特征矩阵；其中i为大于1小于n的整数；根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较大的区域；根据所述第i 1个特征矩阵，获取第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值。根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较小的区域；根据第i个特征矩阵的注意力图像中自相关性较小的区域，预测第i 1个特征矩阵的注意力图像中对应区域的自注意力值；根据所述第i 1个特征矩阵，获取第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值包括：通过第i 1个特征矩阵点积获得第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值。
59.在本实施例中，根据第一个特征矩阵获得第二个特征矩阵，依次获得第四个特征矩阵，然后根据第四个特征矩阵获得对应注意力图像。例如，根据2
×
1的特征矩阵获得2
×
2的特征矩阵，其中2
×
2的特征矩阵获得过程为：特征矩阵为2
×
1的大小矩阵，通过特征矩阵的点乘，获得大小为2
×
2的注意力图像，其中2
×
1的特征矩阵中的元素为所在区域特征值的均值；然后通过迭代的方式更新2
×
1的特征矩阵中的元素值，迭代次数为3次，当特征矩阵为2
×
1的大小矩阵时，特征矩阵中的各元素值为则可以得到各区域间的自相关性为则注意力图像中各注意力值为根据公式a＝a*aa b*ab，b＝a*ba b*bb，更新2
×
1的特征矩阵中元素的值，然后再根据更新的元素值，获得特征图中各区域间的自相关性，从而获得2
×
1的特征矩阵对应的注意力图像；根据获得的注意力图像中的注意力值得到2
×
2的特征矩阵中元素的值，所以2
×
2的特征矩阵为依照此方法依次获得第三个特征矩阵和第四个特征矩阵。
60.进一步地，本实施例中设置第一阈值，根据注意力图像中的注意力值与第一阈值比较，当注意力值大于第一阈值时，则注意力图像中对应特征图区域为自相关性较大的区域，在该区域中，获取下一个特征矩阵对应的注意图像时，需要根据下一个特征矩阵中特征图对应区域的元素值计算获得注意力图像的注意力值。
61.例如，本实施例中设置第一阈值为0.0001，根据2
×
1的特征矩阵获得的注意力图像为则获得的自相关性较大的区域为注意力值为0.59和注意力值为0.49对应的特征图区域，根据2
×
1的特征矩阵获得2
×
2的特征矩阵然后根据据2
×
1的特征矩阵对应的注意力图像寻找在2
×
2的特征矩阵中自相关性较大的区域，则2
×
2的特征矩阵中自相关性较大的区域为元素ab和元素ba对应的特征图区域，根据2
×
2的特征矩阵计算注意力图像时，只需要计算自相关性较大的区域的注意力值，2
×
2的特征矩阵对应的注意力图像为4
×
4大小的矩阵，则得到的注意力图像为
62.进一步地，根据注意力图像中的注意力值与第一阈值比较，当注意力值小于第一阈值时，则注意力图像中对应特征图区域为自相关性较小的区域，在该区域中，获取下一个特征矩阵对应的注意力图像时，预测下一个特征矩阵的注意力图像中对应区域的自注意力值。
63.例如，本实施例中设置第一阈值为0.0001，根据2
×
1的特征矩阵获得的注意力图像为则获得的自相关性较小的区域为注意力值为0.00001和注意力值为0.00002对应的特征图区域，根据2
×
1的特征矩阵获得2
×
2的特征矩阵然后根据据2
×
1的特征矩阵对应的注意力图像寻找在2
×
2的特征矩阵中自相关性较小的区域，则2
×
2的特征矩阵中自相关性较小的区域为元素aa和元素bb对应的特征图区域，根据2
×
2的特征矩阵计算注意力图像时，根据注意力值为0.00001和注意力值为0.00002预测对应区域的得注意力值，2
×
2的特征矩阵对应的注意力图像为4
×
4大小的矩阵，则得到的注意力图像为
64.以上方案中，在获取大尺度矩阵对应的注意力图像时，根据小尺度矩阵对应的注意力图像中自相关性娇小的区域，预测大尺度矩阵对应的注意力图像中对应区域的注意力值，减小了矩阵之间的计算量，节约了时间，提高了获得注意力图像的效率。
65.请参阅图2，图2是本技术另一实施例提供的一种生成注意力图像的流程图，相对于图1对应的实施例，本实施例提供的生成注意力图像的方法在步骤s11至s13后，还包括步骤s14，详述如下：
66.s14:根据获得的注意力图像和特征图生成自注意力特征图。
67.在步骤s14中，注意力图像为第n个特征矩阵对应的注意力图像，注意力图像中包含第n个特征矩阵对应的各个区域间的相关性，具有更丰富的目标信息。第n个特征矩阵对应的注意力图像中每个区域都有该区域预期与区域的相关性，可以表示每个区域相对于目标区域的重要程度，因此可以把注意力图像中各区域对应的注意力值作为权重，把权重加至特征图中，生成自注意特征图。
68.在本实施例中，以医疗图像中肿瘤图像为例，n取四，第四个特征矩阵为8
×
8大小的矩阵，则特征图像中包含64个特征区域，获得的注意力图像中的注意力值为任意两个区域间的相关性，则注意力图像中包含64
×
64个相关性信息，相关性越大，包含目标信息的区域可能性越大，把64
×
64个相关性信息作为是否包含目标区域的权重，把权重加至到特征图中，可以扩大扩大目标特征与非目标特征之间的区别，从而可以得到更准确的自注意力特征图。
69.作为本技术一实施例，步骤s14具体包括：
70.对所述地n个特征矩阵对应的第n个注意力图像进行归一化处理，获得归一化图像；通过对所述特征图进行线性变换处理，获得所述特征图的h特征图；根据所述归一化图像和所述h特征图获得自注意力特征图。
71.在本实施例中，根据特征矩阵获得注意力图像后，注意力图像中是关于特征图中各个区域间的相关性，相关性越大，则该区域中的目标特征的可能性就越大，通过对注意力图像进行归一化处理，使每一行中的注意力值之和为1，得到归一化图像，每一行中的注意力值为特征矩阵中任意区域与其余区域的相关性大小，归一化处理后，每个注意力值代表目标特征的位置系数，在后续处理的过程中，使用归一化处理的注意力图像可以提高模型的稳定性。
72.在本实施例中，根据卷积神经网络对所述特征图进行线性变换处理，获得所述特征图的h特征图，其中，卷积神经网络使用1
×
1的卷积神经网络。获得h特征图后，对h特征图进行区域划分，划分大小与n个特征矩阵相等，本实施例中对h特征图划分为8
×
8大小区域，然后把h特征图根据划分的区域展开为(8
×
8)
×
1的特征图。然后根据归一化图像与展开后的h图像进行矩阵相乘，使目标特征的位置系数应用到特征图上，然后通过reshape操作，获取自注意力特征图。
73.这里，通过把注意力图像归一化处理可以有效地捕获所有特征位置的信息，生成的图像分布更好地逼近真实图像分布，可以提高模型的稳定性，间接提高生成图像的质量，最后把归一化图像加权至通过卷积运算获得的特征图中，使得到的自注意力图像中的特征可以保留长距离像素之间的相互依赖关系。
74.本技术实施例提供的一种生成注意力图像的方法，对原始图像的特征图进行特征区域划分，得到n个特征矩阵；其中，n为大于1的整数；将所述n个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像。在特征提取的过程中，注意力图像生成反映各区域与目标区域相关性的注意力图像，同时也反映出每个区域相对于目标区域的重要性，是区域与区域之间的相关性，不需要计算特征图中每个像素相对于其余像素的相关性，极大地缩小了特征矩阵的尺度。该方法根据粗粒度特征图的自相关性较小的区域预测细粒度特征图对应区域的相关性，减小了矩阵的计算量，提高了生成注意力图像的效率。
75.请参阅图3，图3是本技术实施例提供的一种生成注意力图像的方法的装置接口狂徒。本实施例中该服务器端包括的3个单元用于执行图1至图2对应的实施例中的各步骤，具体请参阅图1至图2以及图1至图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图3，生成注意力图像的方法的装置30包括：划分单元31，排序单元32，处理单元33，其中：
76.划分单元31：对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分n次，得到n个特征矩阵；其中，n为大于1的整数；
77.排序单元32：将所述n个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；
78.处理单元33：按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像，通过所述注意力图像生成策略，最后获得第n个特征矩阵对应的注意力图像。
79.作为本技术一实施例，生成注意力图像的方法的装置30还包括：生成单元34。
80.生成单元34：根据获得的注意力图像和特征图生成自注意力特征图。
81.作为本技术一实施例，生成注意力图像的方法的装置30还包括：
82.第一执行单元35：计算n个特征矩阵中第一个特征矩阵中的每个元素值为所在特征区域的特征值均值。
83.第二执行单元36：根据第i个特征矩阵，获取第i 1个特征矩阵；其中i为大于1小于n的整数；根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较大的区域；根据所述第i 1个特征矩阵，获取第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值。
84.第三执行单元37：根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较小的区域；根据第i个特征矩阵的注意力图像中自相关性较小的区域，预测第i 1个特征矩阵的注意力图像中对应区域的自注意力值。
85.作为本技术一实施例，划分单元31具体用于，利用神经网络模型提取原始图像的特征，得到特征图，将该特征图进行区域划分，每个区域用一个特征值表示，则每次区域划分可以得到由特征值组成的特征矩阵，对特征图进行n次区域划分，得到n个特征矩阵。
86.作为本技术一实施例，处理单元33具体用于，根据第i个特征矩阵，获取第i 1个特征矩阵；其中i为大于1小于n的整数；根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较大的区域；根据所述第i 1个特征矩阵，获取第i 1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值。根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较小的区域；根据第i个特征矩阵的注意力图像中自相关性较小的区域，预测第i 1个特征矩阵的注意力图像中对应区域的自注意力值。
87.作为本技术一实施例，生成注意力图像的方法的装置30还包括：
88.第四执行单元38：对所述地n个特征矩阵对应的第n个注意力图像进行归一化处理，获得归一化图像；通过对所述特征图进行线性变换处理，获得所述特征图的h特征图。
89.应当理解的是，图3示出的生成注意力图像的方法的装置的结构框图中，各单元用于执行图1至图2对应的实施例中的各步骤，而对于图1至图2对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1至图2以及图1至图2所对应的实施例中的相关描述，此处不再赘述。
90.在一个实施例中，提供了一种计算机设备，该计算机设备为服务器，其内部结构图可以如图4所示。该计算机设备40包括通过系统总线42连接的处理器41、内存储器43、网络接口44。其中，该计算机设备的处理器41用于提供计算和控制能力。该计算机设备40的存储器包括可读存储介质45、内存储器43。该可读存储介质45存储有操作系统46、计算机可读指令47和数据库48。该内存储器43为可读存储介质45中的操作系统46和计算机可读指令47的运行提供环境。该计算机设备40的数据库48用于存储生成注意力图像方法所涉及的数据。该计算机设备40的网络接口44用于与外部的终端通过网络连接通信。该计算机可读指令47被处理器41执行时以实现一种生成注意力图像方法。本实施例所提供的可读存储介质45包
括非易失性可读存储介质和易失性可读存储介质。
91.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
92.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
93.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。