1.一种基于注意力机制的特征加强方法，其特征在于，包括如下步骤：步骤1，获取图像待加强的初始特征矩阵；步骤2，对初始特征矩阵进行特征强化处理，得到特征强化注意力加权后的第一特征矩阵；步骤3，对初始特征矩阵进行特征空间相关性的提取和处理，得到空间相关性注意力加权后的第二特征矩阵；步骤4，对初始特征矩阵进行特征通道相关性的提取和处理，得到通道相关性注意力加权后的第三特征矩阵；步骤5，将第一特征矩阵、第二特征矩阵、第三特征矩阵加权，得到加强特征矩阵。
2.根据权利要求1所述的基于注意力机制的特征加强方法，其特征在于，步骤2具体包括：步骤2.1，提取空间域信息：对初始特征矩阵的通道域进行一维平均池化，使大小为C*H*W的初始特征矩阵转化为大小为1*H*W的第一空间域矩阵；步骤2.2，放大特征的表征差异比例：对大小为1*H*W的第一空间域矩阵进行逐元素的平方操作，以将空间域特征的表征差异放大，得到第二空间域矩阵；步骤2.3，权重获取：采用Sigmoid激活函数处理第二空间域矩阵，得到大小为1*H*W的第一注意力权重矩阵，将第一注意力权重矩阵进行复制，得到大小为C*H*W的第二注意力权重矩阵；步骤2.4，加权计算：将第二注意力权重矩阵与初始特征矩阵进行逐元素相乘，得到大小为C*H*W且特征强化注意力加权后的第一特征矩阵。
3.根据权利要求1所述的基于注意力机制的特征加强方法，其特征在于，步骤3具体包括：步骤3.1，提取空间域信息：对初始特征矩阵的通道域进行一维平均池化，使大小为C*H*W的初始特征矩阵转化为大小为1*H*W的第三空间域矩阵；步骤3.2，矩阵向量化：对大小为1*H*W的第一空间域矩阵进行向量化操作，使1*H*W大小的第三空间域矩阵转化为1*(H*W)大小的第一特征向量；步骤3.3，特征空间相关性矩阵的获取与处理：将转置后的第一特征向量与自身做矩阵乘法，获得(H*W)*(H*W)大小的特征空间相关性矩阵，沿着特征空间相关性矩阵任一维度进行求和运算，得到大小为1*(H*W)的空间相关性向量，再将空间相关性向量还原为1*H*W大小的特征矩阵，即得到蕴含了全局信息的第四空间域矩阵；步骤3.4，权重获取：采用Sigmoid激活函数处理第四空间域矩阵，得到大小为1*H*W的第三注意力权重矩阵，将第三注意力权重矩阵进行复制，得到大小为C*H*W的第四注意力权重矩阵；步骤3.5，加权计算：将第四注意力权重矩阵与初始特征矩阵进行逐元素相乘，得到大小为C*H*W且空间相关性注意力加权后的第二特征矩阵。
4.根据权利要求1所述的基于注意力机制的特征加强方法，其特征在于，步骤4具体包括：步骤4.1，提取通道域信息：对初始特征矩阵的空间域进行二维平均池化并清除一个大小为1的维度，使大小为C*H*W的初始特征矩阵转化为大小为C*1的第二特征向量；步骤4.2，通道相关性信息的获取与处理：根据特征通道数确定通道相关性关注宽度C，并根据通道宽度C自适应地确认参数k，使用大小为k的卷积核对第二特征向量进行通道数不变的一维卷积操作，得到大小为C*1且蕴含了通道交互信息的第三特征向量；步骤4.3，权重获取：采用Sigmoid激活函数处理第三特征向量，获得大小为C*1的第五注意力权重矩阵，将第五注意力权重矩阵进行复制，得到大小为C*H*W的第六注意力权重矩阵；步骤4.4，加权计算：将第六注意力权重矩阵与初始特征矩阵进行逐元素相乘，得到大小为C*H*W且通道相关性注意力加权后的第三特征矩阵。
5.根据权利要求4所述的基于注意力机制的特征加强方法，其特征在于，步骤4.2中，所述根据通道宽度C自适应地确认参数k，具体为：式中，|·| odd 表示取距计算结果最近奇数的运算。
6.根据权利要求1所述的基于注意力机制的特征加强方法，其特征在于，步骤5中，所述加强特征矩阵具体为：X＝a·X 1 +b·X 2 +(1-a-b)·X 3式中，X为经过特征加强处理后的加强特征矩阵，X 1 为第一特征矩阵，X 2 为第二特征矩阵，X 3 为第三特征矩阵，a、b为超参数。
7.一种基于注意力机制的特征加强装置，其特征在于，采用权利要求1至6任一项所述的方法进行图像特征加强，所述特征加强装置包括：特征矩阵获取单元，用于获取图像待加强的初始特征矩阵；特征强化单元，用于对初始特征矩阵进行特征强化处理，得到特征强化注意力加权后的第一特征矩阵；空间相关性强化单元，对初始特征矩阵进行特征空间相关性的提取和处理，得到空间相关性注意力加权后的第二特征矩阵；通道相关性强化单元，对初始特征矩阵进行特征通道相关性的提取和处理，得到通道相关性注意力加权后的第三特征矩阵；特征输出单元，用于将第一特征矩阵、第二特征矩阵、第三特征矩阵加权，得到加强特征矩阵并输出。
8.一种图像处理方法，所述图像处理为图像分类或目标检测或行为识别或实例分割，其特征在于，采用轻量级卷积神经网络进行图像处理，其过程为：步骤一、将目标图像输入到轻量级卷积神经网络；步骤二、基于轻量级卷积神经网络的网络结构，使用具有N*N卷积核的卷积块进行对目标图像的图像特征矩阵进行卷积处理；步骤三、在网络的反复卷积过程中，在每个卷积块中加入权利要求7所述的特征加强装置，进而在卷积层提取特征矩阵的过程中利用注意力引导特征构建；步骤四、基于轻量级卷积神经网络的网络结构，对最后一个卷积块与特征加强装置输出的特征矩阵按顺序使用1*1卷积操作和池化操作进行处理，提高特征的语义表达性；步骤五、将整合后的特征矩阵进行最后的处理，使之向任务要求的格式进行计算和转换，输出图像处理的结果。
