1.一种基于特征增强的小样本遥感图像目标检测方法，其特征在于，具体包括以下步骤：

S1：获取小样本遥感图像数据，并将遥感图像数据集划分为基类和新类，得到包含基类和新类的平衡的小样本遥感图像数据集；

S2：构造基于特征增强的小样本目标检测模型；

S3：对步骤S1获取的的小样本遥感图像数据进行组织划分，得到支持集Si和查询集Qi；

S4：对支持集Si中的支持样本和查询集Qi中的查询样本进行特征提取得到支持图像特征图Fsi和查询图像特征图FQi；

S5：将支持图像特征图Fsi输入到上下文特征增强模块，得到增强型的特征图Fsi′；

S6：将增强型的特征图Fsi′和查询图像特征图FQi经过匹配后，输入到区域提案网络模块，生成提议框；

S7：利用提议框从查询图像特征图FQi中提取候选目标，并通过分类器和盒回归器对提议框进行分类和回归，最后，通过损失函数微调特征增强的检测模型；

S8：小样本微调阶段：冻结检测模型中骨干网络、上下文特征增强模块以及特征金字塔网络相关的参数，将平衡的小样本遥感图像数据输入训练好的骨干网络提取特征；

S9：对提取的特征进行处理，输出预测中心点位置和类别；之后进入表示补偿模块，得到修正后的提议框；

S10：利用当前图像的真实标注信息和修正后的提议框做IOU；

S11：利用IOU计算精确率Precision和召回率Recall，并计算评价指标F1。

2.根据权利要求1所述的基于特征增强的小样本遥感图像目标检测方法，其特征在于，步骤S1中，将遥感图像数据集划分为基类和新类，具体包括：取数据集中若干类别作为基础类别，剩余类别作为新类别；在划分时，还能将数据集划分为多个不同的组，每个组所设置的新类的类别各不相同，且使得数据集的各个类别都能成为一次新类。

3.根据权利要求1所述的基于特征增强的小样本遥感图像目标检测方法，其特征在于，步骤S2中，构造基于特征增强的小样本目标检测模型，具体包括：使用Faster R‑CNN作为检测模型的主框架；Resnet101作为骨干网络，用于特征提取。

4.根据权利要求1所述的基于特征增强的小样本遥感图像目标检测方法，其特征在于，步骤S5具体包括：将增强型特征图Fsi′输入到一个上下文特征增强模块，将获得的不同层级的特征，使用不同的扩张率的扩展卷积来获取不同感受野的上下文信息，在最后通过conv1×1的卷积层将高层语义特征和低层细节特征进行融合；在融合特征的基础上增加两个具有sigmoid激活函数的全连通卷积层来预测遥感场景中目标类别的可信度，并采用二值交叉熵损失进行训练。

5.根据权利要求1所述的基于特征增强的小样本遥感图像目标检测方法，其特征在于，步骤S9中，所述表示补偿模块由表示解耦机制模块构成，用来补偿在微调阶段对于基类特征的遗忘，并同时学习新类别的特征，从而得到修正后的提议框。

6.根据权利要求5所述的基于特征增强的小样本遥感图像目标检测方法，其特征在于，步骤S9中，所述表示补偿模块具体是：将表示解耦机制引入RoI特征提取器，该提取器用并行分支修改单个分支，以解耦其先前知识和新知识的表示；具体地，对于RoI特征提取器中的两个连续的全连接层，添加并行的全连接层，其具有用于每个分量的预训练参数，以表示从基本训练阶段学习的先前知识；在微调阶段，新增加的分支被冻结以保护之前的知识，另一个分支是可训练的以学习新的知识；此外，通过融合两个并行全连接层的输出，RoI特征提取器将考虑来自冻结层的先前知识和来自可训练层的新知识；配备了表示解耦机制的每个全连接层计算被被描述为：F＝act(λ·(Wfc`Fi+bfc`)+(1‑λ)·(WfcFi+bfc))

其中，Wfc`，bfc`表示冻结分支的参数；Wfc，bfc表示学习新知识的可训练参数；λ表示用于平衡先前知识和新知识的权重向量；act(*)代表非线性激活函数；F表示全连接层的输出，Fi表示全连接层的输入。