1.一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：执行如下步骤A至步骤C，获得舰船检测模型，然后针对待分析SAR图像，应用舰船检测模型识别获得待分析SAR图像中各舰船对象的位置：

步骤A.基于预设数量分别包含舰船对象、且已知舰船对象位置的样本SAR图像，按聚类方式，构建分别对应大、中、小三分类尺度舰船对象的先验框，然后进入步骤B；

步骤B.构建包括骨干网络Backbone、聚合网络PANet、头网络Head，且用于输出关于大、中、小三分类尺度舰船对象检测的待训练网络，其中，由骨干网络Backbone的输入端构成待训练网络的输入端，由骨干网络Backbone的各个输出端经过第一无关信息剔除模块、第二无关信息剔除模块连接聚合网络PANet的各输入端，聚合网络PANet的三个输出端分别对接头网络Head中关于大、中、小三分类尺度舰船对象的子头网络的输入端，由头网络Head中各子头网络的输出端构成待训练网络的各输出端，分别用于输出关于大、中、小三分类尺度舰船对象检测，然后进入步骤C；

步骤C.基于各幅样本SAR图像，根据分别对应大、中、小三分类尺度舰船对象的先验框，以样本SAR图像为输入，样本SAR图像中关于大、中、小三分类尺度舰船对象位置为输出，针对待训练网络进行训练，获得舰船检测模型；

骨干网络Backbone自其输入至其输出方向依次包括第一卷积归一化激活模块、第二卷积归一化激活模块、第三卷积归一化激活模块、第一金字塔池化注意力模块、第一相乘模块、第四卷积归一化激活模块、第一多维堆叠模块、第二金字塔池化注意力模块、第二相乘模块、第一过渡模块、第二多维堆叠模块、第三金字塔池化注意力模块、第三相乘模块、第二过渡模块、第三多维堆叠模块、第四金字塔池化注意力模块、第四相乘模块、第三过渡模块、第四多维堆叠模块、第五金字塔池化注意力模块、第五相乘模块、快速全连接空间金字塔池化模块；

其中，第三卷积归一化激活模块的输出端同时对接第一相乘模块的输入端，针对第三卷积归一化激活模块输出的特征图，由该特征图与第一金字塔池化注意力模块所输出关于该特征图的权重相乘更新该特征图，再将该特征图输送至第四卷积归一化激活模块的输入端；第一多维堆叠模块的输出端同时对接第二相乘模块的输入端，针对第一多维堆叠模块输出的特征图，由该特征图与第二金字塔池化注意力模块所输出关于该特征图的权重相乘更新该特征图，再将该特征图输送至第一过渡模块的输入端；第二多维堆叠模块的输出端同时对接第三相乘模块的输入端，针对第二多维堆叠模块输出的特征图，由该特征图与第三金字塔池化注意力模块所输出关于该特征图的权重相乘更新该特征图，再将该特征图输送至第二过渡模块的输入端；第三多维堆叠模块的输出端同时对接第四相乘模块的输入端，针对第三多维堆叠模块输出的特征图，由该特征图与第四金字塔池化注意力模块所输出关于该特征图的权重相乘更新该特征图，再将该特征图输送至第三过渡模块的输入端；

第四多维堆叠模块的输出端同时对接第五相乘模块的输入端，针对第四多维堆叠模块输出的特征图，由该特征图与第五金字塔池化注意力模块所输出关于该特征图的权重相乘更新该特征图，再将该特征图输送至快速全连接空间金字塔池化模块的输入端；

第一卷积归一化激活模块的输入端构成骨干网络Backbone的输入端，第三相乘模块的输出端、第四相乘模块的输出端、第五相乘模块的输出端、快速全连接空间金字塔池化模块的输出端构成骨干网络Backbone的各个输出端；

骨干网络Backbone中第三相乘模块的输出端、第四相乘模块的输出端分别对接第二无关信息剔除模块的两个输入端；骨干网络Backbone中第四相乘模块的输出端、第五相乘模块的输出端分别对接第一无关信息剔除模块的两个输入端；第二无关信息剔除模块的输出端、第一无关信息剔除模块的输出端、快速全连接空间金字塔池化模块的输出端分别连接聚合网络PANet的各输入端；

聚合网络PANet的结构中，第一卷积模块的输入端构成聚合网络PANet的第一个输入端接入骨干网络Backbone中快速全连接空间金字塔池化模块的输出端，第一卷积模块的输出端依次串联第一上采样模块、第一堆叠和多维堆叠模块、第三卷积模块、第二上采样模块、第二堆叠和多维堆叠模块、第一下采样模块、第四过渡模块、第三堆叠和多维堆叠模块、第二下采样模块、第五过渡模块、第四堆叠和多维堆叠模块；

第四堆叠和多维堆叠模块的输入端同时构成聚合网络PANet的第二个输入端接入骨干网络Backbone中快速全连接空间金字塔池化模块的输出端，第四堆叠和多维堆叠模块的输出端构成聚合网络PANet的第一输出端；

第二卷积模块的输入端构成聚合网络PANet的第三个输入端接入第一无关信息剔除模块的输出端，第一堆叠和多维堆叠模块的输入端同时对接第二卷积模块的输出端，第一堆叠和多维堆叠模块的输出端同时对接第三堆叠和多维堆叠模块的输入端，第三堆叠和多维堆叠模块的输出端构成聚合网络PANet的第二输出端；

第四卷积模块的输入端构成聚合网络PANet的第四个输入端接入第二无关信息剔除模块的输出端，第二堆叠和多维堆叠模块的输入端同时对接第四卷积模块的输出端，第二堆叠和多维堆叠模块的输出端构成聚合网络PANet的第三输出端；

第一堆叠和多维堆叠模块、第二堆叠和多维堆叠模块、第三堆叠和多维堆叠模块、第四堆叠和多维堆叠模块分别均为自输入至输出方向依次串联的堆叠模块与多维堆叠模块。

2.根据权利要求1所述一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：所述第一过渡模块、第二过渡模块、第三过渡模块、第四过渡模块、第五过渡模块的结构彼此相同，各过渡模块结构中，由2×2卷积核全局最大池化模块与一个卷积归一化激活模块自输入至输出方向串联构成其中一支路，由两个卷积归一化激活模块自输入至输出方向串联构成另一支路，两支路的输入端相连构成过渡模块结构的输入端，两支路的输出端连接至堆叠模块的输入端，堆叠模块的输出端构成过渡模块结构的输出端，由堆叠模块针对所接收两支路的输出进行连接。

3.根据权利要求1所述一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：所述头网络Head中关于大分类尺度舰船对象的子头网络包括串联的第一重参数化卷积模块、第一检测头部模块，第一重参数化卷积模块的输入端构成头网络Head的第一输入端接入聚合网络PANet的第三输出端，第一检测头部模块的输出端构成头网络Head的第一输出端；关于中分类尺度舰船对象的子头网络包括串联的第二重参数化卷积模块、第二检测头部模块，第二重参数化卷积模块的输入端构成头网络Head的第二输入端接入聚合网络PANet的第二输出端，第二检测头部模块的输出端构成头网络Head的第二输出端；关于小分类尺度舰船对象的子头网络包括串联的第三重参数化卷积模块、第三检测头部模块，第三重参数化卷积模块的输入端构成头网络Head的第三输入端接入聚合网络PANet的第一输出端，第三检测头部模块的输出端构成头网络Head的第三输出端。

4.根据权利要求2或3所述一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：所述第一金字塔池化注意力模块、第二金字塔池化注意力模块、第三金字塔池化注意力模块、第四金字塔池化注意力模块、第五金字塔池化注意力模块的结构彼此相同，各金字塔池化注意力模块结构中，以5×5卷积核全局最大池化模块的输入端、9×9卷积核全局最大池化模块的输入端、一个全局平均池化模块的输入端三者相连构成金字塔池化注意力模块结构的输入端，用于接收特征图，5×5卷积核全局最大池化模块的输出端、9×9卷积核全局最大池化模块的输出端分别一一对应连接另外两个全局平均池化模块的输入端，由三个全局平均池化模块分别降低其所接收特征图的维度，三个全局平均池化模块的输出端分别一一对应连接三个1×1卷积核的输入端，由各1×1卷积核分别获得其所接收特征图的权重，三个1×1卷积核的输出端对接叠加激活模块的输入端，叠加激活模块的输出端构成金字塔池化注意力模块结构的输出端，叠加激活模块自输入至输出方向依次串联的叠加模块与Sigmod函数，由叠加激活模块针对三个1×1卷积核输出的权重先应用叠加模块进行权重叠加操作，再经过Sigmod函数获得金字塔池化注意力模块结构输入端所接收特征图的权重。

5.根据权利要求2或3所述一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：所述第一多维堆叠模块、第二多维堆叠模块、第三多维堆叠模块、第四多维堆叠模块的结构彼此相同，各多维堆叠模块结构中，由一个卷积归一化激活模块构成其中一支路，由五个卷积归一化激活模块自输入至输出方向串联构成另一支路，两支路的输入端相连构成多维堆叠模块结构的输入端，单个卷积归一化激活模块所构成支路的输出端、以及另一支路中顺序第一个卷积归一化激活模块的输出端、第三个卷积归一化激活模块的输出端、第五个卷积归一化激活模块的输出端连接堆叠和卷积归一化激活模块的输入端，堆叠和卷积归一化激活模块的输出端构成多维堆叠模块结构的输出端，堆叠和卷积归一化激活模块自输入至输出方向依次串联的堆叠模块与卷积归一化激活模块，由堆叠和卷积归一化激活模块针对所接收各特征图先应用堆叠模块进行连接，再输入至一个卷积归一化激活模块依次执行卷积、归一化、以及激活操作。

6.根据权利要求2或3所述一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：所述骨干网络Backbone中快速全连接空间金字塔池化模块的结构中，自输入至输出方向依次串联四个卷积归一化激活模块、以及一个1×1卷积核全局最大池化模块、九个3×3卷积核全局最大池化模块，其中，顺序第一个卷积归一化激活模块的输入端构成快速全连接空间金字塔池化模块的输入端，顺序第四个卷积归一化激活模块的输出端、1×1卷积核全局最大池化模块的输出端、以及第一个顺序3×3卷积核全局最大池化模块的输出端、第三个顺序3×3卷积核全局最大池化模块的输出端、第五个顺序3×3卷积核全局最大池化模块的输出端、第七个顺序3×3卷积核全局最大池化模块的输出端、第九个顺序3×3卷积核全局最大池化模块的输出端连接堆叠模块的输入端，由堆叠模块针对所接收各特征图进行连接，堆叠模块的输出端依次串联三个卷积归一化激活模块，快速全连接空间金字塔池化模块的输入端同时连接另外第八个卷积归一化激活模块的输入端，该第八个卷积归一化激活模块的输出端、以及堆叠模块所串联的第三个卷积归一化激活模块的输出端连接至堆叠和卷积归一化激活模块的输入端，堆叠和卷积归一化激活模块的输出端构成快速全连接空间金字塔池化模块的输出端，由堆叠和卷积归一化激活模块针对所接收两特征图先应用堆叠模块进行连接，再输入至一个卷积归一化激活模块依次执行卷积、归一化、以及激活操作。

7.根据权利要求1至3中任意一项所述一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：所述第一无关信息剔除模块的结构与第二无关信息剔除模块的结构相同，各无关信息剔除模块分别均包括第一支路、第二支路、相减模块，各无关信息剔除模块的结构中，由依次串联的点乘模块、相加模块构成第一支路，点乘模块的输入端构成第一支路的输入端，相加模块的输出端构成第一支路的输出端，且相加模块的输入端同时对接点乘模块的输入端；由自输入至输出方向依次串联的上采样模块、子并联结构、点乘模块、Sigmiod函数构成的第二支路，子并联结构包括彼此并联连接的全局平均池化模块、全局最大池化模块，上采样模块的输入端构成第二支路的输入端，Sigmiod函数的输出端构成第二支路的输出端；相减模块的两输入端分别接入第二支路的输出端、以及各通道特征值均为1的特征图，第一支路中点乘模块的输入端同时连接相减模块的输出端；第一支路的输入端构成无关信息剔除模块的其中一输入端，用于接入无关信息剔除模块所连骨干网络Backbone中两相乘模块的顺序第一个相乘模块的输出端，第二支路的输入端构成无关信息剔除模块的另一输入端，用于接入无关信息剔除模块所连骨干网络Backbone中两相乘模块的顺序第二个相乘模块的输出端，第一支路的输出端构成无关信息剔除模块的输出端。

8.根据权利要求1至3中任意一项所述一种基于改进YOLOV7网络的SAR图像舰船目标检测方法，其特征在于：所述步骤C针对待训练网络的训练过程中，使用CIoU作为损失函数，计算公式如下：

式中，IoU为SAR图像中舰船对象的预测框和真实框之间的交并比，c表示同时包含舰船对象的预测框和真实框的最小闭包区域的对角线距离，b、b'分别表示舰船对象的预测框和真实框的中心点，且ρ表示舰船对象预测框中心点和真实框中心点之间的欧式距离，α表示权重函数，v用来衡量长宽比的相似性，ω'和h'分别为舰船对象真实框的宽和高,w和h分别为舰船对象预测框的宽和高。