1.一种基于语义增强和高斯损失的小目标检测方法，包括以下步骤：

1）将训练集中的图像进行图像预处理操作，包括等比缩放、区域填充、仿射变换和mosaic数据增强；

2）经过处理后的图像之后被输入到Darknet‑53特征提取网络，随着骨干网络的深入，依次输出三个尺度的特征图,记为 ；

3） 随后进入改进后的FPN网络，进行语义增强融合；FPN网络输出后的特征图记为 ；所述语义增强融合，包括语义重组和因子融合，具体步骤如下：(31)首先对 进行语义重组；

(32) 语义重组时先使用1×1的卷积压缩通道，交互各个通道信息的同时，减少计算量；

(33) 使用 大小的卷积层对压缩通道后的特征图进行编码，让每一个通道学习特征处的上下文信息；编码后的特征图记为 ；

(34)用Softmax函数对 进行归一化，使 值总和为1，由此对特征区域实现软选择；

(35)通过 对局部特征区域进行重组；对于一个目标位置为 和以此为中心的正方形区域 ，重组公式如下：                       (1)其中 可以为 中任意一个，重组后的特征图记为 ；为 的边长；

(36)引入了融合因子 平衡小目标检测中深层与浅层的特征学习；  按以下方式聚合相邻的特征层：            (2)

其中 是用于通道匹配的 1 × 1 卷积操作， 表示用于分辨率匹配的2×上采样操作， 通常是用于特征处理的卷积操作， 表示融合因子；把 设置为网络自学习参数，为在网络开始训练前，根据数据集标签计算得到其初始值，该参数参与梯度反向传播，受到损失函数控制，同时为了防止 过大导致网络梯度爆炸，对其有下约束公式：                                     (3)分别是上层和下层特征图对应尺度目标的数量；

4）经过特征融合的特征图进入Head直接预测目标的类别和预测框位置 ；

5）通过高斯Wasserstein距离损失函数对步骤4）得到的预测框结果进行评估，并训练模型。

2.根据权利要求1所述的基于语义增强和高斯损失的小目标检测方法，其特征在于：步骤2）三个特征图 分别为 、 和 。

3.根据权利要求1所述的基于语义增强和高斯损失的小目标检测方法，其特征在于：步骤（35）中的 设为3。

4.根据权利要求1所述的基于语义增强和高斯损失的小目标检测方法，其特征在于：步骤5）所述的高斯Wasserstein距离损失函数，具体方法为：(51)；将包围目标的椭圆区域映射为一个2D高斯分布，目标中的点在平面上的分布遵循：                                       (4)表示目标检测数据集中目标使用水平框标注；

(52) 将高斯分布记为 :

            (5)

其中d = 2,表示二维高斯分布，u为分布的中心点， ， 为Covariance matrix，反映分布的形状，对角线上的元素为 方向和 方向的方差，斜对角线上的元素是和 的协方差，反映点在 方向上的线性相关程度，在水平分布时为0：                                             (6)两个二维高斯分布 和 之间的WSD距离可表示如下：            (7)

对于任意两个水平框， ，距离将会退化为：

                    (8)其中  表示 Frobenius norm，矩阵中每项数的平方和的开方值；预测框与真实框间的WSD距离可以转化为:       (9)

其中 , 是真实框的宽高，d表示预测框与真实框间的WSD距离；

(53) 在计算得到d后，需要将d映射到0‑1之间，如下公式是改进的损失函数，增加了对预测框宽高的约束：                             (10)其中func是映射函数，C是一个归一化参数，在训练过程中自适应的计算C,V 是纵横比，反映预测框宽高和真实框宽高的相似程度，α是由V计算得到；

                         (11)                                       (12)参数C使得映射函数可以使用更加普遍且简单的函数 ,  ,  ，另一方面能更好的拟合不同尺度的目标；在得到IOU后，根据IOU的大小评估模型的表现，并反向传播梯度训练模型；

(54) 在得到IOU值后，根据IOU的大小评估模型的表现，并反向传播梯度训练模型。