1.一种基于Mesh R‑CNN模型改进的目标检测与三维重构方法，其特征在于：包括以下步骤：获取包括有待识别目标的图像；

利用生成对抗网络对图像进行预处理；

利用GA‑RPN网络模型对原图像和预处理后的图像进行二维目标检测，得到目标物体的锚框区域；

利用目标检测产生的锚框区域结合Pix2Vox方法进行体素转换，得到目标物体的三维体素信息；

对得到的目标物体的三维体素信息进行细化得到目标物体的最终3D模型；

GA‑RPN由位置预测分支根据特征图产生一个指示目标对象位置的概率图，输出锚框的位置信息；

形状预测分支根据生成的位置信息生成相关的锚框形状，通过设定的阈值确定每个位置处最有可能的形状，结合位置信息生成一组锚框；

利用GA‑RPN网络模型对原图像和预处理后的图像进行二维目标检测，还得到目标物体的位置和分类信息；

使用编码器利用输入的预处理后的图像生成特征图，解码器将每个特征图作为输入，生成相应的粗三维体；

将产生的解编码结果进行上下文融合，融合模块自适应的从粗体素中为每个部分选择最高质量的结果，输出最终融合的三维体；

解码器生成的粗体素进入融合模块生成每个粗体素的上下文信息，再将得到的粗体素信息进行融合，包括：融合模块将每个体素都设计生成一个得分图；

然后将得分图进行加权求和，融合成一个体素；

先采用cubify方法将产生的体素转换为三维网格，再使用PNA对三维体进行细化。

2.如权利要求1所述的基于Mesh R‑CNN模型改进的目标检测与三维重构方法，其特征在于：在三维立体网格的表面利用点云进行密集采样，将点云损失作为形状损失，并添加边缘损失以提高网格预测质量，优化三维重建模型。

3.一种基于Mesh R‑CNN模型改进的目标检测与三维重构系统，其特征在于：包括：数据获取模块，被配置为：获取包括有待识别目标的图像；

图像处理模块，被配置为：利用生成对抗网络对图像进行预处理；

二维目标识别模块，被配置为：利用GA‑RPN网络模型对原图像和预处理后的图像进行二维目标检测，得到目标物体的锚框区域；

体素转换模块，被配置为：利用目标检测产生的锚框区域结合Pix2Vox方法进行体素转换，得到目标物体的三维体素信息；

3D模型生成模块，被配置为：对得到的目标物体的三维体素信息进行细化得到目标物体的最终3D模型；

GA‑RPN由位置预测分支根据特征图产生一个指示目标对象位置的概率图，输出锚框的位置信息；

形状预测分支根据生成的位置信息生成相关的锚框形状，通过设定的阈值确定每个位置处最有可能的形状，结合位置信息生成一组锚框；

利用GA‑RPN网络模型对原图像和预处理后的图像进行二维目标检测，还得到目标物体的位置和分类信息；

使用编码器利用输入的预处理后的图像生成特征图，解码器将每个特征图作为输入，生成相应的粗三维体；

将产生的解编码结果进行上下文融合，融合模块自适应的从粗体素中为每个部分选择最高质量的结果，输出最终融合的三维体；

解码器生成的粗体素进入融合模块生成每个粗体素的上下文信息，再将得到的粗体素信息进行融合，包括：融合模块将每个体素都设计生成一个得分图；

然后将得分图进行加权求和，融合成一个体素；

先采用cubify方法将产生的体素转换为三维网格，再使用PNA对三维体进行细化。

4.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑

2任一项所述的基于Mesh R‑CNN模型改进的目标检测与三维重构方法中的步骤。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑2任一项所述的基于Mesh R‑CNN模型改进的目标检测与三维重构方法中的步骤。