1.一种基于深度学习的无人机目标跟踪系统，其特征在于：包括如下模块：

特征提取网络，包括一个孪生网络，用于提取目标特征；

图注意力模块GAM，替代传统的互相关，更加有效地将目标信息从模板区域传递到搜索区域；

Encoder模块，包括投影层和剩余块两部分，融合多尺度感受野；

所述Encoder模块，是一个单入多出的结构，包括一个投影层和两个剩余块；投影层首先应用1×1卷积层来减少通道维数，然后通过3×3卷积层来细化语义上下文信息；剩余块包括三个连续的卷积块：第一个1×1卷积进行信道缩减，缩减率为4，然后用一个3×3扩张卷积来扩大接收域，最后用一个1×1卷积来恢复通道数量；在3×3卷积层中依次叠加4个不同扩张速率的残差块，生成具有多个接收域的输出特征，以此来覆盖所有对象的尺度；

Decoder模块，包括锚点建议网络APN和一个多分类回归网络；所述Decoder模块中的锚点建议网络APN：为了在不牺牲跟踪性能的前提下提高跟踪效率，采用减少锚点数量，充分利用锚点的方法；构建锚点建议网络；特征提取网络中φ5(x)和φ5(z)首先与核函数进行卷积，通过图注意力模块GAM传入Encoder，然后APN利用Encoder提取到的特征作为建议锚点；

利用卷积算子，可以提取到更深层次的语义信息，从而可以得到更全面更稳定的锚点；采用Anchor‑free的思想，针对不同的场景，不需要设置过多的超参数，采用自适应锚的方式，自动的选择正负训练样本；其对应损失函数如下：其中L2是L2loss,D(i,j:)为建议锚点响应图；与预先定义的锚点不同，建议锚点的位置和大小可以灵活地适应跟踪过程中场景的变化，特别是在低分辨率、快速运动和遮挡的情况下；自适应锚点的语义信息也有助于进行准确的分类和更加稳定的回归；

Decoder模块中分类分支输出三个分类特征图 第一个分支通

过计算锚点与真实框之间的重叠来对正锚点进行分类，第二个分支将锚点的中心点考虑在内，第三个分支计算最终中心点与真实框之间的距离，以实现精确的分类；综合这三个分支，总体的损失函数为：Lcls＝λcls1Lcls1+λcls2Lcls2+λcls3Lcls3    (4)，其中Lcls1和Lcls2为交叉熵损失函数，Lcls3代表二元交叉熵损失函数，λcls1 λcls2 λcls3分别是这三个分支的权重系数， 中每个点都包含二维向量，表示每个锚点的质量演化，集中估计对应位置的前景和背景分数，考虑到不同损失函数的优点，采用smooth L1loss和IoUloss进行回归，因此回归的损失计算公式为：其中α为超参数，反映了对正负样本的倾向性，ious表示所提出的锚点与真实边界框之间的IoU得分；

采用自适应锚点，减少了超参数，降低了计算量；采用多分类回归分支，能够精确的实现分类，提高该系统的鲁棒性。

2.根据权利要求1所述的一种基于深度学习的无人机目标跟踪系统，其特征在于：所述特征提取网络，有两个共享结构的分支，即模板分支和搜索分支。

3.根据权利要求1所述的一种基于深度学习的无人机目标跟踪系统，其特征在于：所述图注意力模块GAM，给定模板帧图像T和搜索帧图像S，通过特征提取网络获得相对应的特征图Ft和Fs，将特征图的每个1×1×c网格视为一个节点，其中c表示特征通道的数量；设Vt为包含Ft所有节点的节点集，Vs为包含Fs所有节点的节点集；用一个完全二部图G＝(V,E)来建模目标区域和搜索区域之间的部分级连关系，其中V＝Vs∪Vt，G的子图分别是Gt＝(Vt,φ)、Gs＝(Vs,φ)；

令eij表示节点i∈Vs和j∈Vt之间的相关分数:

其中 是节点i和节点j的特征向量；最后将聚合特征与节点特征 结

合起来得到更强的特征：

其中||表示向量拼接，Wv是线性变换矩阵，所有 并行计算，为后续任务生成响应图。