1.一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于包括以下步驟：
2.如權(quán)利要求1所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述步驟(2)中的骨干模塊采用的是smt，即scale-aware?modulation?transformer。
3.如權(quán)利要求1所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述步驟(2)中的跨階段特征感知頸部模塊，由卷積層1、卷積層2、卷積層3、卷積層4、卷積層5、卷積層6、卷積層7、卷積層8、特征切分層1、特征切分層2、特征切分層3、特征切分層4、雙向特征交互模塊bfim1、雙向特征交互模塊bfim2、雙向特征交互模塊bfim3、拼接層1、拼接層2、拼接層3和拼接層4構(gòu)成；
4.如權(quán)利要求3所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述雙向特征交互模塊bfimi，i＝1,2,3，具有相同的結(jié)構(gòu)，都由卷積層9、卷積層10、卷積層11、卷積層12、多尺度跨注意力調(diào)制模塊mcmb1、多尺度跨注意力調(diào)制模塊mcmb2、門控深度卷積前饋模塊gdfn1、門控深度卷積前饋模塊gdfn2、逐像素相加操作、下采樣操作和上采樣操作構(gòu)成；
5.如權(quán)利要求4所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述多尺度跨注意力調(diào)制模塊mcmbn，n＝1,2，具有相同的結(jié)構(gòu)，都由層歸一化層1、層歸一化層2、卷積層13、卷積層14、卷積層15、卷積層16、卷積層17、卷積層18、多尺度特征生成模塊1、多尺度特征生成模塊2、多尺度特征生成模塊3、拼接層5、拼接層6、拼接層7、softmax層、深度卷積層1、深度卷積層2、逐像素相加操作、矩陣相乘操作、矩陣重塑操作和逐像素相乘操作構(gòu)成；
6.如權(quán)利要求4所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述門控深度卷積前饋模塊gdfnn，n＝1,2，具有相同的結(jié)構(gòu)，都由層歸一化層3、卷積層19、卷積層20、卷積層21、深度卷積層3、深度卷積層4、gelu層、逐像素相乘操作、逐像素相加操作構(gòu)成；
7.如權(quán)利要求5所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述多尺度特征生成模塊1、多尺度特征生成模塊2、多尺度特征生成模塊3具有相同的結(jié)構(gòu)，都由深度空洞卷積層1、深度空洞卷積層2、深度空洞卷積層3構(gòu)成；多尺度特征生成模塊的輸入特征圖分別輸入到深度空洞卷積層1、深度空洞卷積層2、深度空洞卷積層3后，得到多尺度特征生成模塊的三個(gè)輸出。
8.如權(quán)利要求1所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述的預(yù)測頭模塊由卷積層22、上采樣操作和逐像素相加操作構(gòu)成；該模塊以中間特征圖和作為輸入；經(jīng)過上采樣操作后，得到中間特征圖o2；經(jīng)過上采樣操作后，得到中間特征圖o3；經(jīng)過上采樣操作后，得到中間特征圖o4；將o2、o3、o4進(jìn)行逐像素相加，得到的結(jié)果依次經(jīng)過到卷積層22和上采樣操作，得到最終檢測結(jié)果xmap。
9.如權(quán)利要求1所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述步驟(3)中的損失函數(shù)采用sinet-v2算法原有的加權(quán)交并比損失函數(shù)。
10.如權(quán)利要求1所述的一種基于跨階段特征交互網(wǎng)絡(luò)的偽裝目標(biāo)檢測方法，其特征在于，所述步驟(3)中的損失函數(shù)采用sinet-v2算法原有的加權(quán)二元交叉熵?fù)p失函數(shù)。