1.一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：包括以下步骤：S1、数据预处理：将研究数据加载，进行数据增强处理；

S2、模型训练：将增强处理过的数据送入检测网络中，经过多次迭代训练，获得最优的网络模型；包括将增强处理过的数据送入主干网络，经过局部自注意力模块与全局自注意力模块得到不同尺寸的特征图以及将得到的特征图送入横向增强模块，获得新的特征图M2‑M5，具体操作为：S21、将增强处理过的数据送入主干网络，经过局部自注意力模块与全局自注意力模块得到不同尺寸的特征图；

S22、将得到的特征图送入横向增强模块，小尺度特征图经过卷积和亚像素卷积得到大尺度特征图，将其与相邻高分辨特征图进行融合，具体的，将C5经过3x3卷积，使得通道数转变为原来的4倍，随后将其经过sub‑pixel卷积，得到与C4尺寸相同的特征图C5*，随即将特征图C5*与C4进行add融合，得到包含更多信息的特征图；经过全局最大池化、卷积、sigmoid激活函数得到对应通道权值信息，与特征进行加权求和，得到Mi(i=2，3，4)，以加强通道信息关注度，优化小目标检测，针对C5层，采用多比例操作获得多个尺度特征图，利用注意力机制对其进行加权求和，得到M5；

S23、将所得到的特征图进行融合，经过反卷积和3x3卷积操作，得到P2‑P5；

S24、通过3x3卷积，以滑动窗口机制，得到多个锚点位置，在每个锚点位置以3个尺度、3个比例得到9个锚框，整体获得K个锚框，利用IOU确定正、负、忽略样本；经过采样策略，分别选择256个正负样本对RPN进行训练，将锚框送入训练好的RPN网络，最终经过NMS得到2000个proposal；

S25、将proposal映射到特征图上，获得该特征图上对应该proposal的目标特征信息，经过FC全连接层得到特征向量，分别送入两个检测分支，进行分类与回归检测；

S3、模型测试：加载训练好的网络模型，提取测试集中的目标特征信息，判断其位置及对应类别，得到最终的检测结果。

2.根据权利要求1所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S1中，数据预处理的具体操作为：将原始数据经过DataLoader，得到图片及其标签信息，经过预处理操作，将原始数据首先进行逐步裁剪，重叠尺寸为50，得到多个固定尺寸

640x640大小的图片，其次进行包括随机翻转、填充的操作，以提高小目标在图像中的多样性，得到更多的图片，优化增强小目标信息，加强对其检测程度。

3.根据权利要求2所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S21中，全局注意力模块的Q来自于该模块的初始输入特征，其K，V来自该层局部自注意力模块的输出特征。

4.根据权利要求3所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S21中，特征图作为全局特征，直接与局部特征进行拼接融合，得到含有全局与局部信息的特征，然后送入检测头进行检测。

5.根据权利要求3所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S21中，特征图送入LEM、FPN模块，通过特征提取、融合得到局部特征。

6.根据权利要求3所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S23中，将最深层输出经过以步长为2的最大池化下采样操作，得到更深层P6。

7.根据权利要求6所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S24中，分类采用softmax损失函数，回归采用smoothL1损失函数。

8.根据权利要求7所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S25中，分类分支采用两个全连接层对特征向量进行学习，获得预测的类别精度值，将其与真实类别进行focal loss损失函数学习，经过多次迭代学习，得到最精确的类别精度。

9.根据权利要求7所述的一种基于改进Faster‑RCNN的小目标检测方法，其特征在于：所述S25中，回归分支采用两个卷积层，得到对应的位置参数预测，将其与GT框得到的位置参数进行smoothL1损失函数学习，经过多次迭代，得到最终的精确网络模型。