1.一种用于车辆重识别的全局注意力网络模型，其特征在于：包括一个骨干网、一个将特征图划分成两部分的局部分支和两个具有全局注意力模块的全局分支；所述骨干网络分裂为3个分支；所述全局注意力网络模型在每个分支最终输出的特征图上使用全局平均池化GAP得到特征向量；所述局部分支，仅将车辆特征图水平划分成两部分；两个全局分支分别具有通道全局注意力模块CGAM和空间全局注意力模块SGAM，骨干网采用ResNet50；所述CGAM体系结构：设张量 为CGAM输入的特征图，其中 为通道数， 和 分别为张量的空间高度和宽度；从函数 和 中得到张量 和 ，并且将 变形为 , 将 变形为 ， 和 体系结构相同，均有由两个1*1卷积和两个3*3分组卷积以及两个BatchNormal层和两个Relu激活函数组成；所述SGAM体系结构：设张量 为SGAM输入的特征图， 与 体系结构相同，均包含一个1*1卷积，一个BN层和一个ReLU函数，将通道的数量 减少为 ， 为缩减因子，在实验中设为2；由函数 和 得到张量 和 ，并将 变形为 ，将 变形为 ；然后，采用矩阵乘法来确定位置间的成对关系且获得矩阵 ， 。
2.根据权利要求1所述的用于车辆重识别的全局注意力网络模型，其特征在于：将全局分支和局部分支的res_conv5_1块的降采样的步长由2改为1，然后，在两个全局分支的res_conv5块后分别添加空间全局注意力模块、通道全局注意力模块，以提取可靠的显著性信息，增强特征鉴别能力，其中res_conv5表示Resnet50网络模型的第五层；res_conv5_1表示Resnet50网络模型的第五层中的第一个组成块。
3.根据权利要求1所述的用于车辆重识别的全局注意力网络模型，其特征在于：函数 体系结构，利用两个3*3分组卷积来增加感受野，并减少参数的数量，随后，利用矩阵乘法得到矩阵 ，它表示了所有通道的成对关系， 写成 ；矩阵 的每一行元素表示每个通道和所有其他通道之间的成对关系，对通道的平均成对关系进行建模，以获得通道的全局关系，然后，利用一个通道相对于其他通道的全局关系重要性来获得该通道在所有通道中的权重。
4.根据权利要求3所述的用于车辆重识别的全局注意力网络模型，其特征在于：利用一个通道相对于其他通道的全局关系重要性来获得该通道在所有通道中的权重的具体过程为：将关系平均池化RAP应用于矩阵 ，得到一个向量 ,其中 为通道数，此时，向量r的每个元素表示每个通道和所有通道之间的全局关系，将向量r的第 个元素定义为 ； ；采用softmax函数将所有全局关系转换为每个通道的权重； ；先将向量 变形为 ，然后广播为 ，即为得到的注意图 ；最后，对原始特征图应用相同位置的两个元素相乘element-wise multiplication和相同位置的两个元素相加element-wise sum来获得最终的特征图 ： 。
5.根据权利要求1所述的用于车辆重识别的全局注意力网络模型，其特征在于：对矩阵 应用关系平均池化RAP得到向量 ；向量 的第 个元素可以表示为： 。
