1.一种基于注意力机制的目标变换方法，其特征在于，包括：训练所述神经网络模型：

步骤1，使用随机数初始化神经网络模型的参数；

步骤2，输入一张属于类别X的图像x到模型的生成器G中，进入编码阶段，x经过一个卷积层来计算出第一层特征图f1；

步骤3，随后f1会经过两个分支网络：(a)一个卷积层得到未经注意力掩膜处理的第二层特征图 (b)先经过两个卷积层再经过一个反卷积层得到与 对应的注意力掩膜M2；将M2与 逐个元素相乘，所得乘积再与 的元素逐个相加，得到处理后的第二层特征图f2；

步骤4，f2再按步骤3的方式得到下一层的特征图f3；随后，f3会经过6层卷积核尺寸为3*

3、步长为1的残差卷积层进一步精细特征；

步骤5，进入解码阶段，反卷积层作为解码器；f3会经过两个分支网络：(a)一个反卷积层得到未经注意力掩膜处理的第二层特征图 (b)先经过两个反卷积层再经过一个卷积层得到与 对应的注意力掩膜M4；将M4与 逐个元素相乘，所得乘积再与 的元素逐个相加，得到处理后的第二层特征图f5；

步骤6，进入输出阶段，f5通过(a)一个反卷积层得到转换的图像y′；(b)先经过两个反卷积层再经过一个卷积层得到与y′对应的注意力掩模MG(x)；

步骤7，y′会被输入另一个生成器F中，经过与步骤2-6相同的操作后得到x′和对应的注意力掩摸MF(G(x))；

步骤8，将x和x′输入判别器DX中，判别器DX会返回输入图像属于类别X的概率；同样地，y和y′输入判别器DY中，得到y和y′属于类别Y的概率；由此计算出对抗损失函数的值：步骤9，根据x，x′，y，y′计算出循环一致损失函数的值：Lcyc(G，F)＝||x′-x||1+||y′-y||1#(3)步骤10，使用MG(x)将x和y′中背景与转换目标分离，算出背景变化损失：Lbg(x，G)＝γ*||B(x，MG(x))-B(y′，MG(x))||1#(4)B(x，MG(x))＝H(x，1-MG(x))＃(5)γ设置为0.000075到0.0075；H(a，b)函数的值为a中元素逐个与b中相乘；同样，可以用MF(G(x))将y和x′算出背景变化损失Lbg(y，F)；

步骤11，用MG(x)和MF(G(x))算出注意力变化损失：Latt(x，G，F)＝α*||MG(x)-MF(G(x))||1+β*(MG(x)+MF(G(x)))#(6)α设置为0.000003到0.00015，β设置为0.0000005到0.00005；

步骤12，学习率为0.00002到0.002的反向传播算法，根据之前步骤8-11中得出的误差，调节模型参数；

步骤13，将y当做输入图像，再经过步骤2-11的操作算出误差，不同的是是先经过生成器F再经过生成器G)；再按步骤12的方法调节模型参数；

步骤14，不断重复步骤2-13，直到模型参数收敛；

利用上述训练得到的神经网络模型进行图像的目标变换。

2.根据权利要求1所述的基于注意力机制的目标变换方法，其特征在于，α设置为

0.000015。

3.根据权利要求1所述的基于注意力机制的目标变换方法，其特征在于，β设置为

0.000005。

4.根据权利要求1所述的基于注意力机制的目标变换方法，其特征在于，γ设置为

0.00075。

5.根据权利要求1所述的基于注意力机制的目标变换方法，其特征在于，所述反向传播算法经过Adam优化。

6.根据权利要求1所述的基于注意力机制的目标变换方法，其特征在于，所述反向传播算法的学习率为0.0002。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到6任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到6任一项所述方法的步骤。

9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到6任一项所述的方法。