1.一种基于卷积神经网络的城市人流小目标检测方法，其特征在于，所述基于卷积神经网络的城市人流小目标检测方法，包括：获取带有标注了人像小目标检测框的图像训练数据集，对图像训练数据集进行Mosaic数据增强和MixUp数据增强；

将增强后图像训练数据集调整为输入图片大小，输入到骨干网络CSPDarknet‑53中，获取骨干网络CSPDarknet‑53中dark2单元、dark3单元、dark4单元和dark5单元输出的四种大小的特征图F1、F2、F3、F4；

将四种大小的特征图F1、F2、F3、F4输入到特征融合网络BIAFPN中进行特征处理，得到融合后的特征图F12、F22、F32、F42；

将融合后的特征图F12、F22、F32、F42分别传入各自对应的预测头，分别进行分类分支与回归分支的卷积后沿通道部分进行连接，再将连接得到的特征图拉伸为一维，得到拉伸后的特征图F13、F23、F33、F43，然后将拉伸后的特征图F13、F23、F33、F43进行连接，得到最终的特征图，计算损失并进行反向传播更新网络参数，完成网络的训练；

将待检测图像输入到训练好的网络中，得到检测结果。

2.如权利要求1所述的基于卷积神经网络的城市人流小目标检测方法，其特征在于，所述Mosaic数据增强，包括：取出4张图像通过随机缩放、随机剪裁、随机排布的方式进行拼接；

所述MixUp数据增强，包括：将2张图像叠加到一起。

3.如权利要求1所述的基于卷积神经网络的城市人流小目标检测方法，其特征在于，所述将四种大小的特征图F1、F2、F3、F4输入到特征融合网络BIAFPN中进行特征处理，得到融合后的特征图F12、F22、F32、F42，包括：将特征图F1直接输入到特征融合网络BIAFPN中，首先是自顶向下，经过1×1卷积，上采样后与特征图F2做自适应特征融合得到特征图F21；继续将特征图F21经过1×1卷积，上采样后与特征图F3进行自适应特征融合得到特征图F31；再将特征图F31经过1×1卷积和上采样后与特征图F4进行自适应特征融合得到特征图F41；将特征图F41直接输出得到特征图F42；再做自下而上和跨尺度的融合，将F42经过1×1卷积和下采样后与之前的F3和F31融合得到特征图F32；将F32经过1×1卷积和下采样后与之前的F2和F21融合得到特征图F22；将F22经过1×1卷积和下采样后与之前的F1和F11融合得到特征图F12；每一次特征融合后都要进行一次CBAM注意力机制增强空间和通道信息。

4.如权利要求1所述的基于卷积神经网络的城市人流小目标检测方法，其特征在于，所述计算损失，包括：分类损失、边框损失和目标得分损失，分类损失和目标得分损失是BCELoss，边框损失采用IOULoss。