1.一种基于分组聚合注意力和局部关系的车辆重识别方法，其特征在于，包括以下步骤：步骤1、采用Resnet50作为骨干网络，在res_conv4_1残差块之后，Resnet50骨干网络被划分为两个分支；

步骤2、移除两个分支中的res_conv5_1块的空间下采样操作；

步骤3、对于全局分支，将分组聚合注意力机制添加到res_conv5块后，以增强显著信息并抑制噪声信息，该全局分支用于学习有效的全局级特征；对于局部分支，将res_conv5块产生的特征图输入到局部关系模块中，以获得更具鉴别性的局部级特征；

步骤4、利用全局平均池化层将全局级特征和局部级特征池化到大小为2048×1×1的特征图，以用于训练中三元组损失的计算；

步骤5、通过降维模块将2048维特征降到256维特征，每个256维的特征输入到一个全连接层中，以用于训练中交叉熵损失的计算。

2.根据权利要求1所述的基于分组聚合注意力和局部关系的车辆重识别方法，其特征在于，步骤5中，所述降维模块由一个1×1卷积和一个批量归一化层BN组成。

3.根据权利要求1所述的基于分组聚合注意力和局部关系的车辆重识别方法，其特征在于，在测试阶段，所有被减少到256维的特征拼接到一起作为最终的特征表示。

4.根据权利要求1所述的基于分组聚合注意力和局部关系的车辆重识别方法，其特征在于，所述分组聚合注意力机制的完整架构为：（2‑1）特征图 作为分组聚合注意力机制的输入，其中 代表通道的数量，分别表示张量的高度和宽度；特征图 首先输入到一个分组数为 的1×1分组卷积中，然后将得到的特征图沿通道方向均匀划分为 组，每组独立地输入到特征增强模块中，以得到强化后的特征图；

（2‑2）对于特征增强模块，将特征图 作为该模块的输入，其中；在特征增强模块中，特征图 首先同时经过两个嵌入函数 和 分别得到张量 和；然后，将张量 和 的尺寸分别变形为 和 ，为了获得由通道间关系组成的矩阵 ，将 和 进行矩阵乘法， 的计算公式为 ，式中，“”为矩阵乘法符号；

（2‑3）对矩阵 进行关系融合操作，即对 的每一行求均值，从而得到组内全局通道关系向量 ；对向量 进行缩放点积操作，即将 中的每个元素除以 ；向量 中的第 个元素的计算公式如下：；

（2‑4）紧接着，向量 通过一个全局关系交互操作得到一个新的通道向量 ；该全局关系交互操作通过一个卷积核大小为 、边缘填充圈数为2的快速1D卷积来实现，其中 作为一个超参数，代表局部跨关系交互的覆盖率；

（2‑5）然后通过一个 函数来得到通道注意力图 ；设计一个注意力增强约束 ，通过让注意力增强约束变大来进一步增强有用信息并削弱背景噪声信息，该约束的计算表达式如下：；

其中 代表了 的第个元素；

（2‑6）最后将注意力图 的尺寸变形为 ，并和输入特征 进行元素点乘操作，得到最终的输出特征 ，表达式如下：；

式中，“ ”为元素点乘符号；

（2‑7）将 、 、…、 在通道维度进行拼接，得到一个尺寸为 的特征图 ；

最后，将 经过聚合函数  实现组间全局通道信息交互并得到最终的输出特征图 ，其中  由一个1×1卷积、一个批量归一化和一个ReLU激活函数组成。

5.根据权利要求4所述的基于分组聚合注意力和局部关系的车辆重识别方法，其特征在于，所用到的 个特征增强模块共享嵌入函数 和 中的1×1卷积。

6.根据权利要求1所述的基于分组聚合注意力和局部关系的车辆重识别方法，其特征在于，所述局部关系模块用于挖掘部位之间的联系，其结构为：（3‑1）特征图 作为该模块的输入，经过三个1×1分组卷积得到三个特征图且 和 的通道数被降维至 以减少计算复杂度；然后将 、 和 的尺寸分别变形为 、 和 ，其中 ；

（3‑2）特征图 和 通过矩阵乘法得到空间位置关系矩阵 ，矩阵 中的元素表示了位置点之间的关系；引入掩码 与 进行点乘得到新的关系矩阵 ，该掩码的左上角和右下角部分的值都为0，剩余两部分的值都为1；

（3‑3）矩阵 经过 函数之后和特征图 进行矩阵相乘得到关系特征图 ，的计算公式如下：；

式中，“ ”是元素点乘符号、“ ”是矩阵乘法符号；

（3‑4）最后将 和原特征 相加获得最终的特征 。

7.根据权利要求6所述的基于分组聚合注意力和局部关系的车辆重识别方法，其特征在于，所述 的上半部分特征为 ，下半部分特征为 。