1.一种改进YOLOv4‑tiny网络的目标检测方法，其特征在于：包括以下步骤：选取VOC2007+VOC2012+COCO部分数据集作为目标检测数据集；

S1：对YOLOv4‑tiny网络骨干结构中卷积模块的LeakyReLU激活函数进行修改，引入RReLU激活函数；

S2：对YOLOv4‑tiny网络的特征融合部分进行改进，在特征融合部分有效特征层传递特征信息阶段引入残差边形成双分支结构，在残差分支引入膨胀卷积提取浅层特征，另一分支提取特征后与浅层特征进行特征融合，并引入空残差边保留原特征信息与融合的特征信息进行特征整合；

S3：分别在特征融合部分中改进的双分支结构的输入阶段和下层有效特征层上采样阶段添加CA注意力机制；

S4：对于YOLOv4‑tiny网络的YOLO Head部分进行改进，双分支结构分别分配边界框位置预测及生成和特征分类的任务，并引入全局平均池化协助特征分类任务；

S5、在改进YOLOv4‑tiny网络中输入目标检测数据集图片进行实验，观察实验结果。

2.根据权利要求1所述的一种改进YOLOv4‑tiny网络的目标检测方法，其特征在于：S1的RReLU激活函数中，选取(0.1‑0.3)作为负值斜率的均匀分布区间，RReLU激活函数公式如下：其中，xji表示每层上一层的输入，yji表示每一层的输出，aji表示从一个均匀分布(0.1‑

0.3)中随机抽取的数值。

3.根据权利要求1所述的一种改进YOLOv4‑tiny网络的目标检测方法，其特征在于：S2具体包括以下步骤：S21在骨干网络传递特征信息到特征融合部分后，将引入残差边改进为双分支结构；

双分支结构为原分支边继续进行3×3的普通卷积提取特征操作，所添加残差边上边利用膨胀卷积进行特征提取操作，膨胀卷积公式如下所示：k’＝d×(k‑1)+1

公式中k表示为输入的卷积核尺寸，d表示膨胀系数大小，k’表示经过膨胀卷积操作后的等效卷积核尺寸；

为了保证经过膨胀卷积操作后输入输出尺寸大小不变，要符合下列卷积输入输出计算公式：其中，Z1和Z2分别为输出和输入特征图的尺寸，P为补零行，S为步长；

S22引入一个空残差边来传递原特征信息，将双分支结构输出特征信息与通过空残差边传递的原特征信息进行1×1卷积特征整合处理。

4.根据权利要求3所述的一种改进YOLOv4‑tiny网络的目标检测方法，其特征在于：设置膨胀系数为3，代入所述膨胀卷积公式后原3×3卷积等效为7×7卷积的感受野效果。

5.根据权利要求1所述的一种改进YOLOv4‑tiny网络的目标检测方法，其特征在于：S4具体包括以下步骤：S41将原YOLO Head部分的3×3和1×1的卷积结构中的3×3卷积结构改为双分支网络结构；

S42双分支结构的第一层为3×3卷积操作来单独替代对预测框的定位效果；

对输入进行1×1卷积降维处理，并对3×3卷积操作改进为1×3和3×1的空间可分离卷积来减少参数量；

S43双分支结构的第二层为5×5卷积操作用来单独替代对检测结果分类的任务；

对输入进行1×1卷积降维处理，并在降维处理后加入全局平均池化层，并将5×5卷积改进为1×5和5×1的空间可分离卷积；

S44双分支特征信息融合后经过1×1卷积操作来达到要求的输出特征维度。