1.一种由粗到细的快速准确检测伪装物体的方法，其特征是，包括融合主干提取的多尺度上下文信息，并获得精确的伪装目标检测结果的粗略预测子网络和精细预测子网络；所述粗略预测子网络利用跨级注意力融合模块集成不同尺度的特征及融合边界信息，然后进行初始粗预测；所述跨级注意力融合模块包括四个分别用于捕获远程语义依赖、精确位置信息、全局特征和局部特征的分支；所述精细预测子网络利用残差选择性内核模块增强判别特征表示，然后利用两个跨级注意力融合模块进一步捕获多尺度纹理并获得细粒度预测结果；所述残差选择性内核模块通过堆叠选择性内核网络构建，用以增强网络的表示能力；在所述跨级注意力融合模块中，首先对高层特征进行了两次上采样，并且用低层特征逐个元素添加以获得上下文特征X′；汇集内核的两个空间范围分别用于沿着水平坐标和垂直坐标对每个通道进行编码；然后将沿着空间维度的中间特征分成单独的张量，分别添加1×1的卷积层和激活函数；最后从两个方向获得以下远程语义依赖关系和精确位置信息，用A l 表示：A l (i,j)＝X′(i,j)×G h (i)×G w (j) (1)其中G h 和G w 是学习到的注意力权重；从X′中再划分出两个分支来获取全局特征和局部特征，两个分支的特征分别通过点卷积、ReLU和另一个点卷积进行操作，得到的全局和局部注意力权重描述如下：A r ＝X′×σ(G(X′)+L(X′)) (2)其中G(X′)和L(X′)表示全局和局部信道上下文，σ是sigmoid函数；最后得到跨级注意力融合特征：F f ＝Conv 3×3 (C(F′,(A l +A r ),F″)) (3)其中C是级联操作，Conv3×3表示一个3×3卷积层，F′和F″分别是低级特征和高级特征；A l 表示远程语义依赖关系和精确位置信息；最后通过如下操作得到粗预测：其中f 4 是多级特征， 是粗预测阶段融合之后的跨层注意力特征；在残差选择性内核模块中，将选择性核卷积集成到残差块中，定义第j个残差组中的第i个残差块表示为：F j,i ＝F j,i-1 +SK j,i (X j,i )·X j,i (5)其中F j,i 和F j,i-1 分别是残差选择性内核模块的输入和输出，X j,i 是要从输入中学习的特征，SK j,i 是SK卷积；然后，通过两个堆叠的卷积层得到残差特征，如下所示：其中 和 是残差选择性内核模块中的两个堆叠卷积层的权重集；最后通过如下操作得到精细预测：其中f 4 ′是多级特征， 是精细预测阶段融合之后的跨层注意力特征。
2.如权利要求1所述的一种由粗到细的快速准确检测伪装物体的方法，其特征是，在所述粗预测子网络中，利用ResNet-50作为主干来提取多级特征，多级特征包括f 1 、f 2 、f 3 和f 4 ，最后三级特征被馈送到扩张率为3的三个3×3卷积块中，以有效增加感受野并捕获更多上下文特征表示，然后将所述跨级注意力融合模块添加到每个卷积层以融合这些多尺度特征以获得粗预测。
3.如权利要求2所述的一种由粗到细的快速准确检测伪装物体的方法，其特征是，在精细预测子网络中，通过使用整体注意模块合并粗预测特征和f 2 特征以获得细化特征，以在粗略预测子网络之后馈送两个新的卷积块网络；然后应用三个扩张率为3的3×3卷积块和三个残差选择性模块来增强上下文特征；再采用跨级注意力融合模块进一步聚合多尺度上下文特征以获得精细预测。
4.如权利要求1所述的一种由粗到细的快速准确检测伪装物体的方法，其特征是，获得精细预测结果后，通过加权一致性增强损失 和加权边界损失 结合加权二元交叉熵 和加权IoU损失 来监督网络以获得更准确的预测。
5.如权利要求4所述的一种由粗到细的快速准确检测伪装物体的方法，其特征是，加权一致性增强损失用函数表示如下：其中TP、FP和FN分别代表真阳性、假阳性和假阴性，|·|表示计算面积，γ是超参数；权重被分配给图像中位置为(i，j)的像素，α ij 表示位置(i，j)的注意力权重，硬像素对应较大的注意力权重，简单像素将分配较小的注意力权重。
6.如权利要求5所述的一种由粗到细的快速准确检测伪装物体的方法，其特征是，将所述加权边界损失定义为：其中P k,i,j 和E k,i,j 分别表示预测边界图P k 和边缘图E k 中像素的值。
7.如权利要求6所述的一种由粗到细的快速准确检测伪装物体的方法，其特征是，定义为加权混合物损失，采用下式表示：其中， 为加权一致性增强损失， 为加权边界损失， 为加权二元交叉熵损失， 为加权IoU损失。
8.一种由粗到细的快速准确检测伪装物体的装置，其特征是，包括存储单元和处理单元，所述存储单元用于存储计算机程序，所述处理单元用于通过所述存储单元存储的计算机程序执行所述权利要求1-7任意一项所述的由粗到细的快速准确检测伪装物体的方法。
