1.基于ResNeSt‑APW的多模块闭环检测方法，其特征在于，包括以下步骤：S1，在ResNeSt模型的基础上，去除ResNeSt模型中的全局平均池化层及其之后的网络层，在此之后增加一个1×1大小的卷积层；

S2，在所述1×1卷积层之后添加APW对卷积后的特征图进行下采样计算，并采用ReLU激活函数对输出结果进行激活，所述APW对任意大小的特征图进行计算之后，都生成一个固定大小的特征图；

S3，采用LLE算法对所述S2处理后的输出特征进行降维，并将该特征展开为一个一维矩阵，进行相似度计算；

S4，在基于超级字典的基础上将超级字典与历史帧映射区域分为若干个小模块，在每个模块的首尾部分别选取一张图片；

S5，采用多线程的方式同时计算步骤S4所选取的图片与当前图片的相似度。

2.根据权利要求1所述基于ResNeSt‑APW的多模块闭环检测方法，其特征在于：所述APW的计算公式为：

hnew＝2*pAPW_h+hinwnew＝2*pAPW_W+win其中 表示向下取整， 表示向上取整，K表示卷积核的大小，S表示步长，P表示填充数量，APW_h表示APW高度方向，APW_w表示APW宽度方向，n表示经过APW计算后的特征图的大小，in表示输入，h表示高，w表示宽。hnew表示填充之后特征图的高，wnew表示填充之后特征图的宽。

3.根据权利要求1所述基于ResNeSt‑APW的多模块闭环检测方法，其特征在于：所述采用ReLU激活函数对输出结果进行激活为f(x)＝max(0,x)

其中，x是输入，f(x)是经过ReLU激活函数之后的输出。

4.根据权利要求1所述基于ResNeSt‑APW的多模块闭环检测方法，其特征在于：所述步骤S4中在每个模块的首尾部分别选取一张图片，具体包括首先将历史帧序列分为n个模块，设置2n个标志位分别用于指向每个模块的首尾，之后每次选取的图片则为标志位所指向的图片。

5.根据权利要求1‑4任一项所述基于ResNeSt‑APW的多模块闭环检测方法，其特征在于：还包括每次选取的下一帧图片与前一帧图片的间隔是随机的。

6.根据权利要求5所述基于ResNeSt‑APW的多模块闭环检测方法，其特征在于：在所述超级字典模块中，如果小模块中的首标志位的相似度大于尾标志位，则首标志位移动到下一帧，尾标志位向小模块中间移动，移动间距为5以内的随机值，如果首标志位的相似度等于尾标志位的相似度，小模块的两个标记分别向小模块中间移动一帧，找到超级字典中与当前图片相似度最大的一帧F。

7.根据权利要求6所述基于ResNeSt‑APW的多模块闭环检测方法，其特征在于：在所述历史帧映射区域，判定F是否是需要寻找的帧，如果F的相似度大于其前后两帧的相似度，则F是检测到的闭环的一帧；如果后一帧Flag_b的相似度最大时，判断其后一帧的相似度是否大于此时Flag_b的相似度，如果小于，则此时Flag_b是要寻找的帧，否则Flag_b向后移动一帧，而Flag_a则指向该模块的最后一帧，通过多模块随机法的方式找出相似度最大的一帧；

如果前一帧Flag_a的相似度大于Flag_b时，则相反。

8.根据权利要求6所述基于ResNeSt‑APW的多模块闭环检测方法，其特征在于：所述历史帧映射区域为F的前后两帧映射在历史序列中所包含的区域。