1.一种用于视网膜病变分级检测的增强方法，其特征在于，利用Transformer模块增强CNN网络对全局特征的敏感性；通过交叉注意力模块建立图像间交互；通过多层次特征图有效获取和整合与各种病灶大小相关的信息，进而构建用于视网膜病变分级检测的网络架构；所述网络架构包括改进的CMT和Fusion_SK；所述改进的CMT，包括依次连接的Layer Norm层、Lightweight MHSA层、Layer Norm层、Inverted Residual FFN层；其中，Layer Norm层，为层归一化，用于同一通道内特征图归一化；

Lightweight MHSA层：

将输入 线性转换为查询query 键key 值value符号d、dk和dv分别是输入input，key或query和value的维度；符号H和W表示输入特征图的高和宽；为减轻计算开销，使用一个步长为k的k×k深度可分离卷积DWConv来减小注意力操作前K 和V的空间大小，也就 是 和此外，将可学习的相对位置偏差B整合到每个自注意力模块中，取代Transformer模块中的原始绝对位置偏差，旨在为图像获得类似卷积的旋转不变性能力；轻量级自注意力为：其中，Softmax为归一化指数函数；

而后，提出一种交叉自注意力机制，在注意力操作之前将使用的样本数量batchsize中所有图像的信息聚合， 和Kc为不同通道中键的计算值，Vc为不同通道中值的计算值，对应的交叉轻量级注意力定义为：

交叉轻量级注意力仅在注意力学习训练阶段应用，在注意力学习测试阶段则采用轻量级自注意力；

所述Fusion_SK包括Fuse模块和Select模块，输入由已调整为相同维度的各种特征图组成， 其中，Fuse模块：

首先通过元素求和合并多个特征图的结果：

U＝∑Ui

其中Ui表示网络架构第i阶段的特征图；

随后，采用全局平均池化来提取每个通道的全局特征，然后使用全连接层进行降维：Z＝RELU(BN(W(Fgp(U))))其中RELU＝max(0,x)；BN是批量归一化，用于加快收敛速度和避免梯度消失和梯度爆炸；

其中Fgp是全局平均池化， 表示全连接层的权重矩阵，使用减速比r＝2和L＝

32来控制其值：

d＝max(C/r,L)

其中d是全连接层输出后的特征数量，C是输入特征图的通道数，max是取两数的最大值；

最后，利用多个全连接层来映射每个特征图的得分向量：Si＝RELU(BN(WiZ))

其中

Select模块：

利用跨通道软注意力，自适应地将不同的权重分配给各种特征图，以控制其输出流的大小；具体来说，将多个分数向量在通道级接受softmax算子以获得权重向量，然后使用这些权重向量来激活或抑制不同的特征图：其中Aik是经过Selcet模块计算得到不同通道的权重；e是对数函数的底数，Sik是不同通道的分数；

Ui＝UiAi

其中i是特征图索引，k是通道索引。

2.根据权利要求1所述的一种用于视网膜病变分级检测的增强方法，其特征在于，Inverted Residual FFN层：包括扩展层、深度卷积和投影层，中间穿插着GELU激活层和最终线性层之后的批量归一化，类似于反向残差块：IRFFN(X)＝Conv(F(Conv(x)))其中IRFFN(X)是反向残差前馈全连接层，用于加强模型获取图像特征的能力，Conv(x)是卷积层用于提取图像的特征；

F(x)＝DWConv(X)+X

其中F(x)表示残差块；X是输入的图像特征。