1.一种基于频域注意力的红外小目标检测方法，其特征在于，包括：获取待测红外图像数据；

对所述待测红外图像数据进行预处理，得到标准红外图像；

将所述标准红外图像输入预先训练的红外小目标检测模型，得到检测出的红外小目标；

其中，所述预先训练的红外小目标检测模型的获取方法包括：获取历史红外图像样本集，其中，所述历史红外图像样本集中包含历史红外图像数据及对应的标签；

对所述历史红外图像数据集中的各红外图像数据进行预处理，得到标准历史样本集；

将所述标准历史样本集输入预先构建的检测模型，得到训练好的红外小目标检测模型，其中，所述预先构建的检测模型包括依次连接的编码模块、嵌入模块以及解码模块；所述检测模型的解码模块通过融合频域注意力加权特征图以及空间域特征图对目标图像进行重构；

所述将所述标准历史样本集输入预先构建的检测模型，得到训练好的红外小目标检测模型，包括：通过编码模块根据输入的标准历史图像得到提取出的特征图；

通过嵌入模块对提取出的特征图进行深层特征提取和融合，得到融合后的特征图；

通过解码模块根据融合后的特征图得到重构图像；

将所述重构图像和提取出的特征图进行跨通道融合得到目标图像；

根据所述目标图像与对应标签之间的损失对检测模型的参数进行调整，得到训练好的红外小目标检测模型。

2.根据权利要求1所述的基于频域注意力的红外小目标检测方法，其特征在于， 所述编码模块包括多级残差连接的编码器，每级编码器包括依次连接的卷积残差块、空间通道注意力层以及下采样层；

所述嵌入模块包括一个残差块，所述残差块包括多层依次连接的卷积层；

所述解码模块包括多级残差连接的解码器，每级解码器包括依次连接的上采样层、频域注意力层以及前馈层。

3.根据权利要求1所述的基于频域注意力的红外小目标检测方法，其特征在于，所述对所述历史红外图像数据集中的各红外图像数据进行预处理，包括：将所述各红外图像数据的通道数调整一致，得到对应的标准红外图像。

4.根据权利要求2所述的基于频域注意力的红外小目标检测方法，其特征在于，所述通过编码模块根据输入的标准历史图像得到提取出的特征图，包括：通过各级编码器的卷积残差块对所述标准历史图像进行卷积操作，得到卷积后的特征图；

通过对应级编码器的空间通道注意力层对卷积后的特征图进行空间通道注意力加权融合，得到注意力加权特征图；

通过对应级编码器的下采样层降低注意力加权特征图的分辨率，得到各级编码器提取出的特征图。

5.根据权利要求2所述的基于频域注意力的红外小目标检测方法，其特征在于，所述通过解码模块根据融合后的特征图得到重构图像，包括：通过各级解码器的上采样层对融合后的特征图进行反卷积，得到分辨率恢复的特征图；

通过对应级解码器的频域注意力层对分辨率恢复的特征图进行频域中的注意力权重计算，得到频域注意力加权后的特征图，计算公式如下：，

，

其中， 是频域中的注意力权重， 是特征图 在频域中的查询向量， 是特征图在频域中的关键向量， 是特征图 在频域中的数值向量，表示快速傅里叶变换，表示 的逆变换， 表示 的共轭转置， 与 之间为元素级乘法，为频域注意力加权特征，表示层归一化操作layer norm；

通过对应级解码器的前馈层对频域注意力加权后的特征图进行线性变换，得到各级解码器输出的重构图像 ，计算公式如下：，

，

 ，

，

其中， 表示为频域注意力加权特征 与上采样层输出的特征图 跳跃连接后的特征， 表示卷积操作，为 激活函数， 表示卷积后转入频域的特征，P是一组频域内的可学习参数， 表示在频域中特征 与可学习参数 相乘后转回空间域特征。

6.根据权利要求5所述的基于频域注意力的红外小目标检测方法，其特征在于，所述将所述重构图像和提取出的特征图进行跨通道融合得到目标图像，包括：根据第i级编码器提取出的特征图 以及第i级解码器得到的重构图像 分别生成像素级特征向量 和 ，其中， ， ， ，X为或 ， ，R表示图像数据集，C是特征图的通道数，W是特征图的宽度，H是特征图的高度，m是特征图X的高度索引，n是特征图X的宽度索引，K表示编码器或解码器的层级索引；

根据像素级特征向量 和 生成第i级通道权重 ，计算公式如下：，

其中， 、 为线性层， ， ；

根据第i级通道权重 得到对提取出的特征图 进行通道注意力加权后的特征向量， ，其中，表示线性整流函数；

对通道注意力加权后的特征向量 与重构图像 在通道维度上进行拼接，得到第i级目标图像 。

7.根据权利要求6所述的基于频域注意力的红外小目标检测方法，其特征在于，所述根据所述目标图像与对应标签之间的损失对检测模型的参数进行调整，得到训练好的红外小目标检测模型，包括：对不同尺度的各级目标图像进行尺度统一，得到检测模型的各级输出，计算公式如下：，

其中， 表示上采样， 表示第i级目标图像， 为检测模型的第i级输出；

根据检测模型的各级输出得到检测模型的最终输出，计算公式如下：，

其中， 为检测模型的最终输出， 表示通道维度融合，所述最终输出 中各像素的灰度值表示该像素属于红外小目标的概率分布，若像素灰度值大于0，表示该像素属于目标，若像素灰度值为0，表示该像素属于背景；

根据真实标签以及检测模型的各级输出和最终输出，得到训练目标 ，计算公式如下：，

，

，

其中， 为损失函数，为网络参数， 表示样本的真实值， 表示检测模型第j级的输出值， ， 表示软交并比；

根据损失函数 得到各级目标图像的损失之和，并根据损失之和对编码器与解码器的网络参数进行迭代更新，计算公式如下：，

其中， 为更新后的网络参数， 为更新前的网络参数，为学习率， 为损失函数的梯度。

8.一种基于频域注意力的红外小目标检测系统，其特征在于，包括：待测数据获取模块：用于获取待测红外图像数据；

数据预处理模块：用于对所述待测红外图像数据进行预处理，得到标准红外图像；

检测结果获取模块：用于将所述标准红外图像输入预先训练的红外小目标检测模型，得到检测出的红外小目标；

其中，所述预先训练的红外小目标检测模型的获取方法包括：获取历史红外图像样本集，其中，所述历史红外图像样本集中包含历史红外图像数据及对应的标签；

对所述历史红外图像数据集中的各红外图像数据进行预处理，得到标准历史样本集；

将所述标准历史样本集输入预先构建的检测模型，得到训练好的红外小目标检测模型，其中，所述预先构建的检测模型包括依次连接的编码模块、嵌入模块以及解码模块；所述检测模型的解码模块通过融合频域注意力加权特征图以及空间域特征图对目标图像进行重构；

所述将所述标准历史样本集输入预先构建的检测模型，得到训练好的红外小目标检测模型，包括：通过编码模块根据输入的标准历史图像得到提取出的特征图；

通过嵌入模块对提取出的特征图进行深层特征提取和融合，得到融合后的特征图；

通过解码模块根据融合后的特征图得到重构图像；

将所述重构图像和提取出的特征图进行跨通道融合得到目标图像；

根据所述目标图像与对应标签之间的损失对检测模型的参数进行调整，得到训练好的红外小目标检测模型。

9.一种计算机存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1‑7任一项所述的基于频域注意力的红外小目标检测方法。