1.一种基于信息令牌选择网络的SAR图像船舶识别方法，其特征在于，包括以下步骤：步骤1：准备船只和海洋目标识别数据集并进行预处理，划分训练集和测试集；步骤2：建立多头动态局部卷积模块对图像特征进行高效提取；所述多头动态局部卷积模块通过动态位置嵌入、多头动态卷积核、动态卷积、层归一化和前馈网络对图像进行处理，得到多头动态卷积特征；步骤3：建立海杂波抑制模块，基于transformer块，通过信息富集token筛选与双流token更新机制实现无效特征抑制与计算资源分配；所述transformer块多层堆叠的多头注意力和前馈网络；在信息富集token筛选中，通过混合注意力评分策略和全局注意力演化策略，计算并优化各token的重要性分数，筛选信息富集token与无效token；在双流token更新机制中，所述信息富集token通过多层堆叠的多头注意力和前馈网络进行更新，每一层更新信息富集token的重要性分数；所述无效token经过聚合后再输入至多层堆叠的多头注意力和前馈网络进行残差更新；步骤4：基于设定层数的多头动态局部卷积模块和设定层数的海杂波抑制模块，建立舰船识别模型，将训练集输入至模型中，使用损失函数训练模型参数，得到训练好的舰船识别模型；将训练好的舰船识别模型进行测试与评估后，用于SAR图像船舶识别任务中；所述多头动态局部卷积模块具体流程如下：首先将输入图像分割为非重叠图块，将非重叠图块经过动态位置嵌入后，与非重叠图块进行残差连接得到嵌入特征，再经过层归一化、1×1卷积，生成特征图 ，特征图 经过多头动态卷积核 后得到像素级动态卷积核，其中 表示实数集合，H、W、C分别为特征图的宽度、高度、通道数，K为卷积核的尺寸，G为组卷积中的组数；然后像素级动态卷积核与特征图 残差连接，经过动态卷积操作，与嵌入特征残差连接得到输出特征，最后经过层归一化和前馈网络得到最终的多头动态卷积特征。
2.根据权利要求1所述的一种基于信息令牌选择网络的SAR图像船舶识别方法，其特征在于，所述多头动态卷积核包括1×1卷积、5×5深度可分离卷积、1×1卷积、张量重塑。
3.根据权利要求2所述的一种基于信息令牌选择网络的SAR图像船舶识别方法，其特征在于，所述信息富集token筛选采用混合注意力评分策略与全局注意力演化策略，所述混合注意力评分策略包含CLS-to-tokens与tokens-to-tokens双分支，其产生的注意力分数分别记为 与 ，融合得分 表示为： ； ； ；其中 表示CLS token的查询向量； 为第i个图像token的查询向量，N是图像token总数，λ为混合权重超参数；选取融合得分 最高的前q个token作为信息富集token，其余N-q个则判定为无效token； 表示卷积核的尺寸的转置， 为 函数；接着，根据全局注意力演化策略更新信息富集token： ；其中， 表示第 层的全局注意力分数， 作为第 层混合注意力分数， 为融合系数。
4.根据权利要求3所述的一种基于信息令牌选择网络的SAR图像船舶识别方法，其特征在于，所述双流token更新机制的步骤具体如下：首先通过全局注意力分数排序确定索引集合： ，其中 表示按全局注意力分数 降序排列的索引操作；将索引位于集合 中的token选为信息性token，记为信息性标记 ，1：k l 表示第l层排序后从1到k的索引范围；将索引位于集合 中的token归为无用token，记为无用标记 ；然后将无用标记 聚合成一个代表性标记 ，具体方式为： ；式中， 为 中第i个无用token， 、 表示 中第m个、第n个无用token； 表示一个聚合函数；随后，在transformer块的每一层，将[CLS]标记、信息性标记 以及代表性标记 输入至多头自注意力模块MSA和前馈网络模块FFN中，并记录信息性标记 以及代表性标记 的残差为 和 以用于跳跃连接；无用标记 会通过 的残差进行快速更新： ；其中 表示扩展函数，角标(1)和(2)用于区分MSA和FFN模块处理后的不同阶段的输出结果。
5.根据权利要求4所述的一种基于信息令牌选择网络的SAR图像船舶识别方法，其特征在于，所述损失函数包括余弦间隔损失和交叉熵损失，具体如下： ；其中， 为判别混合损失函数，β是平衡两项损失的超参数， 表示给定的输入特征向量 及其对应标签 ，在CLS标记上应用的余弦间隔损失， 表示每个信息标记 与对应标签 之间的交叉熵损失，其中信息标记 具体包括第i组样本筛选出的k个信息性token的特征表示。
6.根据权利要求5所述的一种基于信息令牌选择网络的SAR图像船舶识别方法，其特征在于，所述预处理具体为采用图像重采样方法进行图像尺寸更改，将每个图像调整设定大小。
