1.一种基于多维的遥感图像微小目标检测方法，其特征在于：该方法包括以下步骤：

1)M3DNet网络能够使用多个流提取微小目标的特征信息，首先选取N个不同深度的流构建多深度图像金字塔网络，该网络中不同的流输入不同分辨率的遥感图像；

2)使用浅层流输入高分辨率图像，专注于微小目标的纹理信息；深层流输入低分辨率图像，提取微小目标的深层语义信息，不同分辨率图像使用缩放因子β进行调整；

3)根据流的个数构建多尺度特征金字塔，将对应N个流的特征进行多尺度融合，缓解多尺度、多层次特征之间的不平衡性；不同维度特征层之间使用[1×1,1]的卷积网络进行维度匹配，不同尺度特征之间使用双线性插值算法进行尺度匹配；

4)多尺度特征金字塔网络将微小目标的语义信息和特征纹理信息从高层传播到低层，从深流传播到浅流；把匹配、融合后的多尺度特征再经过[1×1,1]的卷积操作，得到多尺度特征金字塔的输出F′i，其中i的取值范围由选取的特征层数确定；

5)再利用公式计算得到k的选值，作为选定的特征层；通过两个全连接层完成分类和回归任务；整个网络采用端到端的方式进行训练，通过梯度下降的方式更新权值，直至网络收敛。

2.根据权利要求1所述的一种基于多维的遥感图像微小目标检测方法，其特征在于：所述1)中，多深度图像金字塔网络的具体步骤如下：

11)给定一张遥感图像，记为I，其分辨率大小记为R；

12)将高分辨率图像，图像为I0，分辨率为R，馈入浅层卷积神经网络，记为C0；

13)将中分辨率图像，图像为I1，分辨率为βR，馈入中层卷积神经网络，记为C1；

14)将低分辨率图像，图像为I2，分辨率为β2R，馈入深层卷积神经网络，记为C2；其中，β是一个超参数，用来调节分辨率大小，β∈(0,1)，默认β＝0.5；多深度图像金字塔网络能够构建N个流，即Ci,i＝{0,1,2,...,N-1}，利用该网络提高微小目标的特征提取能力，使得提取的特征中既包含微小目标的强语义信息，又包含强特征纹理信息，从而提高微小目标的检测效果。

3.根据权利要求2所述的一种基于多维的遥感图像微小目标检测方法，其特征在于：所述2)中，N＝3的M3DNet网络和ResNet骨干网络，C0、C1和C2分别是ResNet18、ResNet34和ResNet50，或者ResNet18、ResNet34和ResNet101，ResNet34、ResNet50和ResNet101的组合。

4.根据权利要求3所述的一种基于多维的遥感图像微小目标检测方法，其特征在于：所述3)中，记 为输入的多分辨率遥感图像， 为多深度图像金字塔网络对应N个流的输出特征，每个流的输出特征Oi又包含多层特征{Fi,j}，其中i是多尺度索引(不同流的索引)，i∈{0,1,2,...,N-1}，j是骨干网络的多层索引，j∈{0,1,2,...,M-1}，表示骨干网络中不同下采样率对应的特征层索引，如ResNet骨干网络的下采样率为32，则不同下采样率的特征层共有5层，即下采样率分别为2、4、8、16和32时对应的特征层，若取后四层特征层输入多尺度特征金字塔网络，则M＝4；

N＝3和M＝4，Oi表示为如下公式：

Oi＝Ci(Ii)＝{Fi,0,Fi,1,Fi,2,Fi,4}      (1)其中，i∈{0,1,2,...,N-1}。

5.根据权利要求4所述的一种基于多维的遥感图像微小目标检测方法，其特征在于：所述4)中，使用[1×1,1]的卷积网络进行维度匹配，上采样采用双线性插值算法，同大小特征图采用元素相加的方式；最高分辨率特征F0,0保持微小目标的强纹理特征，结合多尺度流中的强语义特征，通过公式(2)表示：其中，Fi,j表示第i个流中的第j层特征，Up(·)表示上采样率为2的双线性插值上采样，Conv(·)表示[1×1,1]的卷积操作；多尺度特征金字塔网络的输出特征组为O′，定义如下式所示：O′＝{F′0,F′1,F′2,...,F′i,...}       (3)

其中，F′i的定义如下式所示：

F′i＝Conv(F0,i)      (4)

其中，F0,i为O0的输出特征，即最高分辨率所在流的输出特征层。

6.根据权利要求5所述的一种基于多维的遥感图像微小目标检测方法，其特征在于：所述5)中，多尺度特征金字塔网络的最终输出结果O′，O′包含M个不同分辨率大小的特征层，并通过公式(5)选择最合适的特征层，如下式所示：其中，w、h分别表示遥感图像I的宽、高；k0为一个超参数，默认值为M-2；k表示选择的特征层数，k∈{0,1,2,...,M-1}；

将选择的特征层再经过一个简单的分类和回归网络，即分别使用一个全连接层，一个用于分类任务，另一个用于回归任务；整个网络采用端到端的训练方式，不断更新网络权值，直到模型收敛。