1.一种基于非局部特征增强的SAR图像舰船目标检测方法，其特征在于，包括以下步骤：步骤一、输入舰船SAR图像数据集，并将数据集转换成PASCAL VOC格式：步骤101、采用开源软件labelImg对舰船SAR图像数据集进行标注；

步骤102、将标注文件和图像文件分别放入不同的文件夹，制作成标准的Pascal VOC数据集格式；

步骤103、将制作好的舰船SAR图像数据集按照7:2:1的比例分成训练集、测试集和验证集，输入到本发明的SAR图像舰船目标检测模型；

步骤二、构建卷积神经网络ResNet，利用制作好的舰船SAR图像数据集对ResNet网络进行训练：步骤201、构建ResNet-50网络为基础网络，包括5个卷积模块，分别为Conv1、Conv2_x、Conv3_x、Conv4_x、Conv5_x；

步骤202、采用ResNet-50网络对SAR图像进行特征提取，并输出后4个卷积模块的特征图，分别为C2、C3、C4、C5；

步骤三、利用特征金字塔网络对ResNet输出的特征图进行融合，获得融合的特征图：步骤301、对步骤202输出的特征图C2、C3、C4、C5分别采用个数为特征图通道数一半且尺寸为1×1的卷积核进行卷积操作，实现特征降维，得到降维的特征图C2′、C′3、C′4、P′5；

步骤302、利用双线性插值将P′5尺寸扩展到与C′4尺寸相同，然后与C′4逐元素相加得到P4′，P4′经双线性插值扩展到与C′3尺寸相同，然后与C′3逐像素相加得到P′3，P′3经双线性插值扩展到与C2′尺寸相同，然后与C2′逐像素相加得到P2′；

步骤303、分别采用3×3的卷积核对P2′、P3′、P4′、P5′进行卷积运算，消除双线性插值造成的混叠效应，得到融合的特征图P2、P3、P4、P5；

步骤四、将融合的特征图进行分组缩放平均，获得平均特征图：步骤401、将融合的特征图P5进行双线性插值扩展到与P4尺寸相同，得到P5″，将P2进行空间金字塔池化缩小到与P3尺寸相同，得到P2″；

步骤402、将重新缩放尺寸的两组特征图进行平均，获得平均特征图：其中，Pa、Pb分别表示两组特征图平均后的特征图；

步骤五、利用非局部特征增强模型对平均特征图进行特征增强：步骤501、对平均特征图Pa分别采用个数为平均特征图通道数一半且尺寸为1×1的卷积核进行三组卷积运算，实现特征降维，并分别将其维度进行展开，得到三个特征矩阵：θ(pi)＝Wθpi

φ(pj)＝Wφpj

g(pj)＝Wgpj

其中，pi和pj分别表示平均特征图上第i个和第j个位置的信息，Wθ、Wφ和Wg分别表示对应卷积核的权重矩阵；

步骤502、计算特征矩阵θ(pi)和φ(pj)的相似度，得到相似度矩阵f(pi,pj)为：步骤503、将相似度矩阵f(pi,pj)和特征矩阵g(pj)进行矩阵乘法，得到增强的特征矩阵yi为：步骤504、利用个数为平均特征图通道数且尺寸为1×1的卷积核对增强的特征矩阵yi进行卷积运算，实现特征升维，再与平均特征图Pa逐元素相加以增强原始特征，得到增强特征图D3；

步骤505、按照步骤501到504对平均特征图Pb处理，得到增强特征图D4；

步骤六、对增强特征图进行尺度变换：

步骤601、增强特征图D3经双线性插值后尺寸扩展得到D2；

步骤602、增强特征图D4经空间金字塔池化后尺寸缩小得到D5；

步骤603、尺度变换的增强特征图D2、D3、D4、D5分别替换步骤303的特征图P2、P3、P4、P5；

步骤604、对增强特征图D5进行空间金字塔池化后尺寸缩小，得到增强特征图D6；

步骤七、利用全卷积网络对增强特征图进行回归预测，获得最终的检测结果：步骤701、将增强特征图D2、D3、D4、D5、D6分别输入到边框回归子网络和分类子网络，边框回归子网络训练的损失函数Lreg公式如下：其中，d表示预测边界框向量和真实标注框向量之差；分类子网络训练的损失函数Lcls公式如下：Lcls＝-αt(1-qt)γlog(qt)

其中，qt表示类别预测的概率值，αt和γ为调节难易样本平衡的超参量；

这样，整个网络训练的损失函数Loss公式如下：

其中，Npos表示正样本的数量，μ和λ分别表示分类损失和边框回归损失的平衡因子；

步骤702、增强特征图D2、D3、D4、D5、D6分别通过边框回归子网络和分类子网络后，利用非极大值抑制算法得到最后的预测框，输出舰船SAR图像目标检测结果。