1.一种基于改进轻量YOLOv4的遥感图像目标检测方法，其特征在于：包括以下步骤：S1、对遥感数据集进行格式转换；

S2、按比例将转换后的遥感数据集划分为训练集、验证集和测试集；

S3、对YOLOv4‑tiny的骨干网络进行改进，对骨干网络的低层和高层的输入特征图分别进行Haar小波变换，以提取特征图的高频特征，通过Ghost模块对高频特征进行卷积融合，将融合后的特征与普通卷积对特征图提取的特征相加，得到改进的骨干网络；

S3中，具体包括以下步骤：

S3.1将Haar小波变换应用在骨干网络的底层特征图上，对原始输入图像进行Haar小波变换，将得到的高频特征叠加，将叠加后的特征记为Haar_H，Haar_H∈R^(3C×H/2×W/2)，其中，R为实数集，C为通道数，H为特征图的宽，W为特征图的长，其公式如下：Haar_H＝Concatenate(LH，HL，HH)；

其中，Concatenate表示将不同特征图进行叠加；

对叠加后的高频特征通过Ghost模块进行卷积融合以学习高频特征的各方向上的权重并调整其通道数；

S3.2将Haar小波变换应用在骨干网络的顶层特征图上，对骨干网络的最后一个残差结构进行Haar小波变换，将Haar变换得到的3个高频特征叠加，然后通过3个轻量的Ghost模块对叠加的高频特征进行卷积融合，将融合后特征记为x_H，公式如下：x_H＝Ghost(Ghost(Ghost(Haar_H2)))；

其中，Ghost代表Ghost卷积运算，Ghost卷积分两步进行，首先通过常规卷积得到一个特征图，然后对这个特征图进行恒等映射得到Ghost特征图，最后将这两个特征图叠加在一起得到融合后的特征图；

S3.3将融合后的特征与FPN中第一个卷积操作得到的特征相结合，结合后的特征作为输入进行上采样操作；

S4、对YOLOv4‑tiny的Neck进行改进，在FPN前、改进的骨干网络的最后一个残差结构后的两个分支上引入坐标注意力，得到改进的Neck，坐标注意力是基于SE attention改进的通道注意力；

S5、设置训练参数，使用训练集对模型进行迭代训练，得到并保存遥感图像目标检测模型权重数据；

S6、训练结束后，选取验证集损失函数最小的模型训练权重载入到网络中，用测试集进行测试，得到网络的检测性能。

2.根据权利要求1所述的基于改进轻量YOLOv4的遥感图像目标检测方法，其特征在于：S1中，将原遥感数据集的数据格式转换成VOC格式。

3.根据权利要求1所述的基于改进轻量YOLOv4的遥感图像目标检测方法，其特征在于：S2中，训练验证集包括训练集和验证集，训练验证集和测试集在数据集中的划分比例为9:

1，训练集和验证集在训练验证集中的划分比例为9:1。

4.根据权利要求1所述的基于改进轻量YOLOv4的遥感图像目标检测方法，其特征在于：S3中，对原YOLOv4‑tiny的Backbone进行改进：利用Haar小波变换对特征图进行2倍下采样，先对特征图的水平方向进行一维Haar离散分解，再对分解后特征图的竖直方向进行一维Haar离散分解，得到{LL、LH、HL、HH}4个分量，其中，LL表示低频特征，包含图像的轮廓特征信息，{LH、HL、HH}均表示高频特征，分别包含图像的垂直、水平、对角边缘方向上的特征信息；对输入特征图进行Haar小波变换后的尺寸是输入特征图的1/2；将Ghost卷积融合后的高频特征与普通卷积后的特征图相加，以在特征图上得到更细节的特征，加强了对目标的定位和分类。

5.根据权利要求1所述的基于改进轻量YOLOv4的遥感图像目标检测方法，其特征在于：S4中，具体包括以下步骤：

S4.1坐标信息嵌入；

使用尺寸为(H，1)和(1，W)的卷积核分别对每个通道的水平和竖直方向进行编码，其中，H为卷积核的高，W为卷积核的宽，高度h的第c维特征的输出为：宽度w的第c维特征的输出为：

其中，xc(h,i)为输入特征图的第c维特征的水平方向，i为第i个通道，xc(k,w)为输入特征图的第c维特征的垂直方向，j为第j个通道；

以上两式分别将水平和竖直方向的特征进行聚合，生成一对方向感知特征图，这两个公式能够捕获一个空间方向上的远程依赖关系，并在另一个空间方向上捕获准确的位置信息，从而帮助网络有效定位感兴趣的区域；

S4.2坐标注意生成；

坐标注意力级联了以上两式生成的特征映射，然后使用1×1卷积变换函数F1，生成f，公式如下：h w

f＝δ(F1([z ,z]))

h w C/r×(H+W)

其中，[z ,z]表示沿空间维度的连接操作，δ表示激活函数，f∈R 是水平和竖直方向编码空间信息的中间特征图，r表示下采样比例；沿空间维度将f分成两个独立的张量h C/r×H w C/r×W h wf∈R 和f∈R ，利用两个1×1卷积变换函数Fh和Fw改变f和f的通道数，以和输入X的通道数保持一致，得到：h h

g＝σ(Fh(f))

w w

g＝σ(Fw(f))

h w

其中，σ是sigmoid函数，将g和g作为注意力权重，坐标注意力的输出为：坐标注意力同时考虑了通道信息和空间信息，对输入特征图的水平和竖直方向同时施加注意力，这使坐标注意力更准确地定位感兴趣目标的准确位置，帮助整个模型更好地检测。

6.根据权利要求1所述的基于改进轻量YOLOv4的遥感图像目标检测方法，其特征在于：S5中，对原始图像进行裁剪，统一裁剪为608×608；在训练阶段，输入图片大小设置为608×

608，使用Adam优化器对模型进行优化，学习率为0.001，动量设为0.92，权重衰减设为

0.0005，迭代次数设为150次，批归一化大小为16，设置好参数后开始训练模型，边训练变保存相关训练权重。

7.根据权利要求1所述的基于改进轻量YOLOv4的遥感图像目标检测方法，其特征在于：S6中，选取损失函数最小的模型权重载入网络，测试其检测精度和可视化结果图。