1.基于空间解耦与边界特征聚合的目标检测方法，其特征在于包括如下步骤：步骤1.将FPN的每一层的特征映射输入到分类塔与回归塔得到分类塔的第3层特征图Fc、回归塔的第3层特征图Fr1以及回归塔的第4层特征图Fr；

其中分类塔包含3个带有ReLU激活的3×3卷积层，回归塔包含4个带有ReLU激活的3×3卷积层；

步骤2.将Fr作为输入，通过3×3卷积生成初始边界框Bc；

步骤3.将Fc输入到显著依赖关系补充模块Sre；该模块会经过三部分处理分别是上下文模块、特征转换模块以及融合模块，得到包含与全局显著性特征的依赖关系的特征图Fs；计算公式为：Fs＝Sre(Fc)

步骤4.将初始边界框Bc与Fs输入到空间敏感区域感知模块Sarea；该模块会将Fs作为输入生成感知缩放因子，然后将其与初始边界框Bc相乘得到调整后的边界框Bc_adjust，其中它的四条边界即为分类分支的空间敏感区域；计算公式为：Bc_adjust＝Sarea(Bc,Fs)

步骤5.在回归分支中，将初始边界框Bc与特征图Fr1输入到边界特征聚合模块；该模块由边界补充特征聚合模块Gsup和边界代表特征聚合模块Gdep构成；Gdep采用边界对齐模块，将Bc与Fr1输入到该模块生成包含边界代表信息的特征图；Gsup采用星形边界框特征表示模块，将Bc与Fr1输入到该模块生成包含边界信息以及几何形状信息的特征图；最后，将两个模块生成的特征图相加得到包含边界信息的特征图Fr_border；计算公式为：Fr_border＝Gsup(Bc,Fr1)+Gdep(Bc,Fr1)步骤6.为了将分类与定位任务对齐，在分类分支也使用了步骤5的边界特征聚合模块；

将调整后的边界框Bc_adjust与特征图Fc输入到该模块中，生成特征图Fc_border；计算公式为：Fc_border＝Gsup(Bc_adjust,Fc)+Gdep(Bc_adjust,Fc)步骤7.在回归分支中，将Fr_border作为输入，通过1×1卷积层生成针对初始边界框的调整缩放因子特征图Fscale；然后将Fscale与Bc相乘得到精准边界框Bref；在分类分支中将Fc_border作为输入，通过1×1卷积层生成分类分数C；

步骤8.计算损失，并对整体网络进行优化。

2.根据权利要求1所述的基于空间解耦与边界特征聚合的目标检测方法，其特征在于所述的步骤3，包括以下子步骤：步骤3.1.在上下文模块中，Fc会依次经过1×1卷积层、SoftMax处理得到上下文相关的特征图Fc_m；计算公式为：其中，Wk表示1×1卷积层，Np表示特征图中的总像素数；Fc,j表示Fc特征图中第j个位置的特征值；Fc,n表示特征图中第n个位置的特征值；

步骤3.2.在特征转换模块中，Fc_m会依次经过1×1卷积层、层归一化、ReLU以及1×1卷积层处理得到包含通道方式依赖关系的特征图Ft；计算公式为：其中， 表示1×1卷积层，δ表示ReLU，LN表示层归一化；步骤3.3.融合模块会将全局上下文特征融合到所有位置的特征中，得到特征图Fs；计算公式为：Fs＝Fc+Ft。

3.根据权利要求1所述的基于空间解耦与边界特征聚合的目标检测方法，其特征在于所述的步骤4，包括以下子步骤：步骤4.1.将初始边界框Bc与Fs输入到空间敏感区域感知模块；该模块会先将Fs作为输入，经过3×3卷积层、Sigmoid处理后，生成感知缩放因子，然后将其与初始边界框Bc相乘得到调整后的边界框Bc_adjust，其中它的四条边界即为分类分支的空间敏感区域；计算公式为：Bc_adjust＝Bc×σ(fconv(Fs))

H×W×4 H×W×4

其中fconv表示3×3卷积层处理函数；σ表示Sigmoid；Bc∈R ，Bc_adjust∈R 。

4.根据权利要求1所述的基于空间解耦与边界特征聚合的目标检测方法，其特征在于所述的步骤5，包括以下子步骤：步骤5.1.边界代表特征聚合模块结构

采用1×1卷积层通道数为C的特征图Fr1扩充为通道数为5C的边界敏感特征图，结合初始边界框，通过边界对齐模块BorderAlign从边界敏感特征图中提取边界的极值点作为边界的代表特征，使用1×1卷积层恢复模块输入维度，生成包含边界代表信息的特征图；计算公式为：Gdep(Bc,Fr1)＝fconv_c(BorderAlign(fconv_5c(Fr1),Bc))其中fconv_c表示将通道数为5C的特征图经过1×1卷积层压缩为通道数为C的特征图的函数；fconv_5c表示将通道数为C的特征图经过1×1卷积层扩充为通道数为5C的特征图的函数；

步骤5.2.边界补充特征聚合模块结构

根据初始边界框Bc手动选择若干固定采样点，利用它们与原点的相对偏移量替换可变形卷积预测的偏移量，在特征图Fr1上对这些相对偏移量位置的投影点特征进行可变形卷积，生成包含边界信息以及几何形状信息的特征图；计算公式为：

Gsup(Bc,Fr1)＝fconvd(Fr1,Δpn)

H×W×18

其中Δpn∈R ，表示9个采样点在x、y两个方向的相对偏移量；fconvd表示可变性卷积处理函数。

5.根据权利要求1所述的基于空间解耦与边界特征聚合的目标检测方法，其特征在于所述的步骤8，包括以下子步骤：步骤8.1.为了提高分类分数的预测准确性，采用Varifocal损失；计算公式为：其中c为预测的分类分数，u为预测的精准边界框与真实边界框的IoU分数；α作为抑制正负样本的数量失衡的超参数；β作为控制简单/难区分样本数量失衡的超参数；

步骤8.2.为了提高边界框定位的准确性，分别针对初始边界框和精准边界框采用了GIoU损失；计算公式为：步骤8.3.将损失函数整合到一起得到整体的损失函数L；计算公式为：其中λ0、λ1、λ2是用于平衡损耗的超参数，Npos为前景点的数量，i表示特征图中的所有位置；Ci为i位置对应的分类分数； 为i位置对应的真实边界框，Bc,i为i位置对应的初始边界框；如果i为前景点，wc,i为i位置对应的初始边界框与真实边界框的IoU分数，wref,i为i位置对应的精准边界框与真实边界框的IoU分数，否则wc,i与wref,i都为0。