1.一种结合注意力机制的轻量级小目标检测方法，其特征在于：所述方法包括以下步骤：(1)搭建基于YOLOv4改进的小目标检测网络，包括以下步骤：(1‑1)构建MSE多尺度注意力机制模块，将CSP模块的Concat层的输出作为输入特征X，通过不同尺寸的卷积核集成多种尺度的特征图，得到多尺度融合特征输出Xc，对Xc进行挤压操作，使用全局平均池化和全局最大池化分别对通道进行挤压得到全局平均池化后获取的特征Xavg和全局最大池化后获取的特征Xmax，分别对Xavg和Xmax进行激励操作，并相加、经过归一化操作生成注意力权重信息Xs；将生成的Xs与生成的Xc进行加权操作，得到MSE多尺度注意力模块的输出Xweight，Xweight＝Scale(Xc,Xs)，将Xweight插入到特征提取网络；

(1‑2)添加浅层特征图作为预测层，删除FPN和PAN结构输出的19×19大小的特征图，保留FPN和PAN结构原有38×38、76×76的输出特征图，使用FPN和PAN结构将MSE‑CSPUnit*2的输出和下方深层特征图上采样的结果进行特征融合，获得152×152大小的浅层特征图，最后得到38×38、76×76、152×152三个不同大小的特征图对不同尺度的目标进行预测；

(1‑3)SPP模块改进，在FPN和PAN结构和对应的三个预测层间分别放置SPP模块，SPP模块将输入特征图进行最大池化操作后，将生成的不同尺度的特征图进行张量拼接；

(2)训练并优化小目标检测网络；

(3)对小目标检测网络进行模型轻量化；

(4)利用已训练的小目标检测网络模型对输入图像进行检测。

2.根据权利要求1所述的一种结合注意力机制的轻量级小目标检测方法，其特征在于：所述步骤(1‑1)包括以下步骤：构建MSE多尺度注意力机制模块，插入到YOLOv4特征提取网络CSPDarknet53的每个CSP模块中Concat层和CBM模块之间，组成新的MSE‑CSPUnit模块，得到带有注意力信息的MSE‑CSPDarknet53的特征提取网络。

3.根据权利要求1或2所述的一种结合注意力机制的轻量级小目标检测方法，其特征在于：所述步骤(1‑1)在SE注意力机制模块基础上构建MSE多尺度注意力机制模块，包括以下步骤：(1‑1‑1)将CSP模块的Concat层的输出作为输入特征X，通过不同尺寸的卷积核集成多种尺度的特征图，得到多尺度融合特征输出Xc；卷积核尺寸分别为3×3、5×5、7×7，Xc＝V3×3X+V5×5X+V7×7X，其中，V代表使用不同尺寸卷积核的卷积操作；

(1‑1‑2)对Xc进行挤压操作，使用全局平均池化和全局最大池化分别对通道进行挤压得到通道级的特征信息，其中全局平均池化注重全局特征，全局最大池注重化局部特征，Xmax＝max(Xc(i,j))；

其中，Xavg为全局平均池化后获取的特征，Xmax为全局最大池化后获取的特征，i＝1,

2,…,H，j＝1,2,…,W，H、W分别为输入高度、输入宽度；

(1‑1‑3)分别对Xavg和Xmax进行激励操作，并相加、经过归一化操作生成注意力权重信息Xs，FC1、FC2为两个不同的全连接层，其中 C为输入通道，r为降维比例，FC1起到降维的作用，以减少全连接层参数，FC2起恢复原始维度的作用；

Xa＝FC2(Mish(FC1(Xavg))

Xm＝FC2(Mish(FC1(Xmax))

Xs＝Softmax(Xa+Xm)

其中，Mish为非线性激活函数，Softmax为归一化函数；

(1‑1‑4)将(1‑1‑3)生成的Xs与(1‑1‑1)生成的Xc进行加权操作，得到MSE多尺度注意力模块的输出Xweight，Xweight＝Scale(Xc,Xs)，将Xweight作为MSE‑CSPUnit模块中CBM模块的输入。

4.根据权利要求1所述的一种结合注意力机制的轻量级小目标检测方法，其特征在于：所述步骤(1‑3)中，SPP模块将输入特征图进行1×1、5×5、9×9、13×13的最大池化操作后，再将生成的不同尺度的特征图进行张量拼接。

5.根据权利要求1所述的一种结合注意力机制的轻量级小目标检测方法，其特征在于：所述步骤(2)包括以下步骤：

(2‑1)构建小目标数据集；

(2‑2)数据增强，并对图片数据进行多模式随机调整；

(2‑3)设置锚框，用于拟合数据集中的目标。

6.根据权利要求1所述的一种结合注意力机制的轻量级小目标检测方法，其特征在于：所述步骤(3)包括以下步骤：

(3‑1)通道剪枝

选用BN层的γ作为缩放因子，在损失函数中添加关于BN层的γ的L1正则化项，对网络进行预设轮数次的稀疏化训练后，基于梯度更新后的γ值，对除了上采样层前的卷积层、SPP模块之外的层进行通道剪枝，得到通道剪枝后的模型文件和模型结构配置文件；

(3‑2)知识蒸馏恢复网络精度

以未进行剪枝的YOLOv4网络作为教师网络，通道剪枝后的网络作为学生网络；分别计算教师网络和标签值、学生网络和标签值的L2损失，设置偏差范围，当学生网络和标签值的L2损失与教师网络和标签值的L2损失的偏差超过范围w时，在总损失中计入学生网络的L2损失，整体损失函数为Lreg＝(1‑v)LsL1(Rs,yreg)+vLb(Rs,Rt,yreg)其中，Lreg为网络蒸馏学习时的总损失，Lb为模型蒸馏部分损失，LsL1为学生网络回归输出与标签值的之间的损失，v是Lb和LsL1之间的平衡因子，在网络训练前80％的时间设置在0.1～0.5之间，后20％的训练时间设置在0.6～0.9之间，yreg是标签值，Rt和Rs分别是教师网络和学生网络的回归输出，w为预设的偏差范围。

7.根据权利要求1所述的一种结合注意力机制的轻量级小目标检测方法，其特征在于：所述步骤(4)包括以下步骤：(4‑1)输入一帧图像；

(4‑2)在读取完一幅图像后，送入训练并优化完成的小目标检测网络中进行目标的定位和分类；将图像输入至带有注意力机制的特征提取网络进行特征的提取，经过SPP模块分别输出3个不同分辨率大小的特征图，对3个特征图进行三种不同尺度目标的检测，设置置信阈值为0.2～0.6，经过阈值过滤之后，获得目标的分类和定位结果；

(4‑3)重复步骤(4‑1)至步骤(4‑2)，直至完成测试集中图片的检测。