1.基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，包括：S1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集；

S2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特征与几何特征构建分类回归任务子网络，所述分类回归任务子网络用于对提取的不同分辨率的融合特征图进行分类回归；

S3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，并利用训练好的双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。

2.根据权利要求1所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S1包括：

S10、利用极化散射矩阵S求取基于泡利基的矢量化散射矩阵 基于 计算极化相干矩阵T；

S11、利用极化相干矩阵T，计算三维矢量I、六维矢量P和一维矢量L，并判定产生真实标签。

3.根据权利要求2所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S10具体包括：S101、定义单个像素的极化散射矩阵为 其中，H、V分别代表正交的垂直/水平极化基，在互异性的条件下，基于泡利基的矢量化散射矩阵 表示为S102、通过矢量化散射矩阵 计算极化相干矩阵T；

T

其中，*表示复数矩阵的共轭转置，*表示复共轭运算，T是一个共轭对称复数矩阵。

4.根据权利要求2所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S11具体包括：S110、利用极化相干矩阵 进行数据转换，构建三维矢量I，Ii＝

20log10(Tii) i∈1，2，3，其中，Ii被标准化到[0,255]，设置I＝[I1，I2，I3]作为几何特征提取分支的输入；

S111、构建六维矢量P， 其

中，Pij,real(imag)将相应位置的复数值转化为实数值并保留数据的原始差异，设置P＝[P12,real,P12,imag,P13,real,P13,imag,P23,real,P23,imag]作为极化特征提取分支的输入；

S112、构建一维矢量L，L＝20log10((T11+T22+T33)·T33)，并对一维矢量L施加Frost滤波。

5.根据权利要求1所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S2中的双分支特征提取网络包括几何特征提取分支与极化特征提取分支，所述几何特征提取分支与极化特征提取分支具有相同的网络结构，该网络结构包括六个阶段，其前四个阶段采用普通卷积，每个阶段包含三个卷积块，第三个卷积块增加最大池化层，其前两个卷积块由卷积层、归一化层和激活层构成，第二阶段在其第一个卷积块上采用过渡的瓶颈结构，经过1×1，3×3，1×1的卷积输出与经过1×1的卷积输出融合，第二、第三个卷积块的结构与第一阶段的相同，第三、第四阶段网络结构与第二阶段相同，第五、第六阶段采用空洞卷积。

6.根据权利要求1所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S2中的分类回归任务子网络用于对提取的不同分辨率的特征图进行分类回归的具体步骤包括：

S20、在特征图的基础上通过RPN网络产生感兴趣区域建议ROI；

S21、对特征图施加1×1的卷积，获取不同的位置敏感得分图，基于位置敏感得分图对步骤S20中的ROI进行第二阶段的回归分类。

7.根据权利要求1所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S3中基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练具体包括：

S31、清洗大场景合成孔径雷达舰船检测数据集，剔除背景数据，重构大场景合成孔径雷达舰船检测数据集，按照10：1比例划分训练集与测试集，基于重构的大场景合成孔径雷达舰船检测数据集训练几何特征提取分支，调整超参数，获取几何特征提取分支的网络权重W1；

S32、采用步骤S31所获得的权重W1初始化几何特征提取分支，基于构建的三维矢量I分量数据集再次训练几何特征提取分支，调整超参数，获取几何特征提取分支的二次训练权重W2；

S33、固定几何特征提取分支的权重W2，加入极化特征提取分支，基于三维矢量I和六维矢量P分量数据集训练双分支卷积神经网络，获取优化权重W3，再解除几何特征提取分支权重的固定，调整双分支卷积神经网络，完成所有训练步骤。