1.一种基于YOLOX‑Tiny有偏特征融合网络的遥感目标检测，其特征在于，包括步骤如下：S1，将遥感数据集DIOR按照一定比例划分为测试集与训练集；

S2，将训练集和测试集中所有图片进行统一尺寸处理；

S3，在YOLOX‑Tiny基础上引入多尺度特征融合网络和可形变卷积，搭建有偏特征融合网络，并将训练集送入有偏特征融合网络，采用SIoU损失函数进行训练；

S4，将测试集输入有偏特征融合网络，进行性能测试；

步骤S3中，所述多尺度特征融合网络结构中，在P3输入节点和输出节点之间添加一条额外的边；将卷积核的卷积结构采用深度可分离卷积结构；将原YOLOX‑Tiny模型预测端中的一个CBS结构替换成可形变卷积，所述可形变卷积通过运用一个平行的传统卷积进行特征提取得到一个长宽与输入特征图相同通道数为2N的新特征图，其中N为卷积核采样点的个数，新特征图包含x轴与y轴的偏移量 ；

对偏移量利用双线性插值的原理，通过原始输入特征图上的点的特征值去计算偏移后的坐标点上的特征值，完成空间特征自适应采样，则可变形卷积输出特征图Y的表达式如下：其中， 是卷积核权重， 为输入特征图，为卷积核采样位置；为任意位置。

2.根据权利要求1所述基于YOLOX‑Tiny有偏特征融合网络的遥感目标检测，其特征在于，步骤S3中，所述SIoU损失函数包括形状损失、IoU损失、距离损失以及包含在距离损失中的角度损失；

角度损失的定义如下：

其中， 为真实框和预测框中心点的高度差，表达式如下：σ为真实框和预测框中心点的距离，表达式如下：其中， 为真实框中心坐标， 为预测框中心坐标；

当预测框与真实框之间的角度α为0°或90°时，角度损失为0；

GT

在训练过程中，若预测框B与真实框B 之间的角度α小于45°，则让预测框向减小α的方向移动；否则，向减小β的方向移动，β+α=90°；

距离损失的定义如下：

其中， ， ， ；cw、ch分别为预测框B与真实框GT

B 最小外接框的宽和高；

形状损失的定义如下：

其中， ， ， 为预测框的宽和高， 为

真实框的宽和高，为形状权重；

最终SIoU边界框回归损失函数的定义如下：

GT GT

其中，IoU=S1/S2，S1为预测框B与真实框B 相交的面积，S2为预测框B与真实框B 相并的面积。

3.根据权利要求1所述基于YOLOX‑Tiny有偏特征融合网络的遥感目标检测，其特征在于，步骤S4中，采用检测精度、检测速度和模型复杂度来衡量有偏特征融合网络在测试集上的检测性能，检测精度包括精确P、召回率R、平均精度AP及平均精度均值mAP，模型检测速度指标采用每秒检测图像帧数FPS。

4.根据权利要求3所述基于YOLOX‑Tiny有偏特征融合网络的遥感目标检测，其特征在于，检测精度包括精确P、召回率R、平均精度AP及平均精度均值mAP，具体计算公式如下：其中，TP为模型正确预测的正样本个数；FP为模型错误预测的正样本个数；FN为被模型预测为负类的正样本；n为目标类别数；APi为第i个目标的平均精度。

5.根据权利要求3所述基于YOLOX‑Tiny有偏特征融合网络的遥感目标检测，其特征在于，检测速度指标采用每秒检测图像帧数FPS，计算公式如下：其中，N为图片个数；t为检测时间；

模型复杂度采用参数量Params，计算公式如下：其中：Co表示输出通道数，Ci表示输入通道数，kw、 kh分别表示卷积核宽、高。