1.用于伪装物体检测的渐进增强网络，其特征是，包括对象定位模块、组注意力模块和上下文特征恢复模块，所述对象定位模块、组注意力模块和上下文特征恢复模块分别用于准确定位伪装的对象、细化纹理和以渐进增强的方式还原边界；对于大小H×W的输入RGB图像I，采用Res2Net-50作为主干，从输入图像中提取f 2 、f 3 、f 4 和f 5 层特征，然后使用若干对象定位模块来定位潜在的伪装对象，再将初始位置的图像输入给组注意力模块以细化细节，最后利用若干上下文特征恢复模块来恢复完整的对象以获得明确的界限；所述对象定位模块包括全局模块和局部模块，全局模块以非本地方式实现,以捕获远程依赖项,从而从全局角度增强上下文语义表示；局部模块的是通过使用若干卷积层来提取局部信息；全局模块和局部快之间以互补的方式探索潜在的对象区域；首先利用接收域模块结构来扩展接收域，在全局模块中，再通过三个1×1的卷积层获得三个特征映射B、C、D，其中{B,C,D}∈R C×H×W ，然后将其重新塑造为R C×N ，再将B的转置乘以C矩阵，并执行一个softmax层来计算全局空间注意力图；使用矩阵乘法操作来获得语义增强的全局特性f g ∈R C×H×W ,其中，R C×H×W 表示通道为C，高为H,宽为W的实数集合，R C×N 表示通道为C的N列的实数集合；过程描述如下：其中，gsa ij 表示j位置对i位置的影响；η初始化为0，后续逐渐学会更多的权重,f t 是第t层特征；在局部模块中，采用1×1的卷积层获得特征映射E，{E}∈R C×H×W ，BatchNorm2d函数和ReLU函数来获得局部特征，然后对全局特征和局部特征进行元素加法操作以获得聚合特征；过程描述如下：f l ＝ReLU(1×1Conv(ReLU(BN(E)))) (3)f a ＝ReLU(3×3Conv(f g +f l )) (4)式中，1×1表示1×1的卷积层，3×3表示3×3的卷积层,f a 为注意力特征，f l 为局部特征，f g 为全局特征；所述组注意力模块包括三个卷积块和三个组注意模块，首先使用整体注意模块合并粗略预测和特征图以突出显示整个对象区域，然后使用三个卷积块来获取自下而上的特征f 3 ′ 、f 4 ′ 和f 5 ′ ，然后结合f 2 的特征构建金字塔网络,在金字塔网络自上而下路径的每一层中，通过组注意模块来挖掘多尺度特征；通过以下方式得到重新分组的特征f∈R C×H×W ：其中M为分组数， 和 分别表示第m组的全局特征和注意力特征；然后将重新分组的特征分别馈送到空间注意力和通道注意力以增强纹理特征，在空间注意力中，使用带有一个输出通道的3×3的反卷积层来压缩空间信息，然后使用sigmoid函数对区间(0,1)进行归一化，表述为：SA＝σ(Deconv(f)) (6)其中σ代表sigmoid函数，Deconv指的是3×3的反卷积层，SA代表空间注意力特征；在通道注意力中，使用全局平均池化和两个1×1的卷积层来降低维度，然后应用ReLU和sigmoid函数来获得通道注意力：CA＝σ(1×1Conv(ReLU(1×1Conv(GAP(f))))) (7)其中，1×1Conv表示1×1的卷积层，GAP为全局平均池化；最后对空间注意特征和通道注意特征进行加法运算，得到权重特征f ′ ，作为下一个组注意模块的输入注意图：f′＝UP(f·(SA+CA)) (8)其中，UP代表上采样操作，CA为通道注意力。
2.如权利要求1所述的用于伪装物体检测的渐进增强网络，其特征是，所述上下文特征恢复模块包括三个分支，分别是底层特征、全局特征和高层特征，分别向这三个分支添加一个3×3的卷积层，然后通过拼接操作，使用全局特征分别指导高层特征和底层特征，再采用连接操作和卷积层来获得下一个全局特征，然后对底层特征和高层特征使用全局平均池化得到池化特征 和 最后采用连接操作和卷积层来获得下一个全局特征f′ global ，过程表示为：
3.如权利要求2所述的用于伪装物体检测的渐进增强网络，其特征是，同时在底层特征和高层特征中，利用逐元素加法操作来增加缺失的上下文特征，然后将另一组3×3的卷积层添加到两个分支中的每一个，以分别获得增强特征f′ low 和f′ high ，最后应用连接操作和3×3的卷积层来融合这些上下文特征，这个过程表述为：f′＝3×3Conv(Concat(f′ low ,f′ high ,f′ global )) (14)。
4.如权利要求3所述的用于伪装物体检测的渐进增强网络，其特征是，将高层特征与底层特征融合在一起，并使用边缘图对其进行监督；包括在高层特征中执行残差通道注意块作为指导信息，并与底层特征,随后是两个3×3的卷积层、归一化层和ReLU层以获得融合边缘图f edge ，这个过程表述为：f edge ＝CBR(CBR(RCBR(f′ 5 )+f′ 2 )) (15)其中，RCBR是剩余通道注意力块，CBR表示卷积核3×3的卷积层、BatchNorm2d和ReLU的组合。
5.如权利要求1所述的用于伪装物体检测的渐进增强网络，其特征是，所述渐进增强网络的损失函数采用加权二元交叉熵损失和交叉联合损失与一致性加强损失的结合，计算中心像素与其周围环境之间的差异，并更加关注硬像素以增强模型泛化能力，以及考虑了像素间的关系并突出了整个伪装区域；定义损失函数为：其中，λ为超参数，设置为1， 为加权二元交叉熵损失， 为IoU损失，L CEL 为一致性加强损失。
6.如权利要求5所述的用于伪装物体检测的渐进增强网络，其特征是，采用dice loss损失函数来处理正样本和负样本之间的强不平衡；并将总损失函数表述为：L total ＝L(P location ,GT)+L(P restoration ,GT)+L dice (P edge ,Edge) (17)其中，P location 是预测位置图，P restoration 是预测恢复图，GT是标注的Ground Truth图,L dice 是dice loss损失函数，P edge 是预测的边缘图，Edge是标注的边缘图。
