1.一种基于双路胶囊网络的SAR目标分类方法，其特征在于，该方法的步骤包括：步骤S1：网络上支路利用S个卷积层对输入图像提取特征F1，各层卷积核大小均为K1×K1，其中，K1和S为大于1的正整数；网络下支路利用S个卷积层对输入图像提取特征F2，各层卷积核大小均为K2×K2，其中，K2为大于1的正整数，且K2≠K1；

步骤S2：网络上、下支路各采用一个注意力模块分别对特征F1和F2进行增强，得到增强后的特征F1′和F2′；

步骤S3：网络上、下支路的特征F1′和F2′分别封装为主胶囊P1和P2；

步骤S4：P1和P2经动态路由分别得到数字胶囊D1和D2；

步骤S5：数字胶囊D1和D2相加得到D，再根据D中每个向量的模值判别输入图像所属类别。

2.根据权利要求1所述的双路胶囊网络的SAR目标分类方法，其特征在于，网络上、下支路各采用一个注意力模块分别对特征F1和F2进行增强的步骤如下：步骤S21：一个注意力模块包括通道注意力模块和空间注意力模块，分别用于关注不同通道特征图的信息和特征图的不同空间位置信息。由于网络上、下支路采用的注意力模块相同，因此可假设注意力模块的输入特征为 即F代表上支路特征F1或下支路特征F2，H，W和C分别表示特征的高度、宽度和通道深度。

在通道注意力模块中，将输入特征表示为F＝[f1,f2,…,fk,…,fC]，其中为任意的第k通道特征图。接下来，将任意的输入特征图fk在空间维度H×W上进行全局平均池化得到Ek，即

其中，fk(i,j)表示特征图fk在坐标位置(i,j)上的数值。将所有通道的全局平均池化结果组成张量E，即E＝[E1,E2,…,Ek,…,EC]。显然，然后，将计算得到的张量E通过两个全连接层转换为张量S，S＝σ(W2δ(W1E))

其中，δ和σ均表示非线性激活函数。两个全连接层是为了限制模型的复杂度，其中，第一个全连接层的权重参数为 其中，r为大于1的正整数；第二个全连接层的权重参数为 由此可知 记S为[s1,s2,…,sk,…,sC]。

最后，采用张量S对特征F进行加权，得到通道注意力模块的输出为 即Xca＝[x1,x2,…,xk,…,xC]。其中，Xca的第k个元素 的计算公式为，xk＝sk·fk

步骤S22：在空间注意力模块中，将输入特征表示为其中fi,j表示坐标位置(i,j)处所有通道

的特征值构成的矢量。接下来，对fi,j的所有元素求均值，得到通道压缩值ui,j为，其中，fi,j(k)表示fi,j在第k个通道上的值。

然后，采用非线性激活函数对任意坐标位置(i,j)处的通道压缩值ui,j进行处理，并用它对(i,j)处的fi,j进行加权，得到xi,j为，xi,j＝σ(ui,j)·fi,j

显然，

最后，将所有坐标位置处得到的加权值组成张量得到Xsa，即显然，

步骤S23：将通道注意力模块中的结果Xca和空间注意力模块中的结果Xsa相加，得到注意力模块的最终输出F′，F′＝Xca+Xsa

当F取上支路特征F1时，F′表示上支路增强后的特征F1′；当F取下支路特征F2时，F′表示下支路增强后的特征F2′。

3.根据权利要求1所述的双路胶囊网络的SAR目标分类方法，其特征在于，数字胶囊D1和D2相加得到D，再求D中每个向量的模值判别输入图像所属类别的步骤如下：步骤S51：将上支路的数字胶囊D1和下支路的数字胶囊D2进行相加得到最终的数字胶囊D，D＝D1+D2

其中，D＝[d1,d2,…,dn,…dN](n＝1,2,…,N)，dn为第n个向量，N为目标的类别数。

步骤S52：对任意的dn求模长|dn|，模长值最大的向量的下标即为输入图像所属的类别。