1.一种非对称调制融合特征的小目标检测方法，其特征在于，该方法具体包括如下步骤：步骤1：将图像输入至Resnet50网络，图像经过 Resnet50网络的四个阶段输出由浅到深的四张特征图：特征图1，特征图2，特征图3和特征图4；

步骤2：将特征图1输入至第一空间注意力网络，将特征图3输入至第一信道注意力网络；将第一空间注意力网络输出的特征图和第一信道注意力网络输出的特征图通过元素加法进行融合，得到融合特征图1；将特征图2输入至第二空间注意力网络，将特征图4输入至第二信道注意力网络；将第二空间注意力网络输出的特征图和第二信道注意力网络输出的特征图通过元素加法进行融合，得到融合特征图2；所述第一、第二空间注意力网络的结构相同自底向上的空间信道注意力调制结构，所述第一、第二信道注意力网络的结构相同均为自顶向下的全局信道注意力调制结构；

步骤3：采用RPN网络提取融合特征图的感兴趣区域；

步骤4：对感兴趣区域进行扩增；

步骤5：将扩增后的感兴趣区域送入分类网络，输出类别标签；将原始的感兴趣区域送入回归网络，输出预测的检测框；

第一、第二信道注意力网络的结构如下式所示：

；

其中，表示信道注意力网络的输入， 表示信道注意力网络的输出，为将 通过全局平均池化得到的特征， 为Sigmoid函数, 表示归一化， 表示通道数由 到卷积， 表示通道数由 到 卷积，表示元素相乘；

所述第一、第二空间注意力网络的结构如下式所示：

；

其中，为空间注意力网络的输入， 为空间注意力网络的输出， 表示通道数由2变为1的卷积；为按通道拼接； 代表空间中任一点在通道方向取的最大值；  表示空间中任一点在通道方向取得的平均值；

所述步骤4中对感兴趣区域进行扩增具体为：根据感兴趣区域的大小，以感兴趣区域为中心在感兴趣区域的周围扩增8个兴趣块，则扩张后感兴趣区域距离原点最远的顶点的坐标为 ，其中 ；其中 为原始感兴趣区域距离原点最远的顶点的坐标， ， ，其中 为原始感兴

趣区域距离原点最近的顶点的坐标；将8个兴趣块距离原点最远的顶点坐标作为该8个兴趣块的顶点坐标，若 且 ，则保留全部兴趣块；若 且 ，舍弃顶点坐标的横坐标值为 的兴趣块，以及顶点坐标的纵坐标值为 的兴趣块；若 且，则舍弃顶点坐标的横坐标值为 的兴趣块；若 且 ，则舍弃顶点坐标的纵坐标值为 的兴趣块，其中 和 为步骤1中的特征图的大小。

2.根据权利要求1所述的一种非对称调制融合特征的小目标检测方法，其特征在于，对由Resnet50网络、第一、第二空间注意力网络、第一、第二信道注意力网络、RPN网络、分类网络以及回归网络组成的模型进行训练时，采用的损失函数如下所示：；

其中 为分类损失， 回归损失； 的表达式如下所示：；

其中， 为预测框和真实框交集的面积与预测框和真实框总面积之比， 为惩罚项，表达式如下所示：；

其中，和 代表预测框和真实框的中心点，是包含预测框和真实框的最小边界框的对角线长度， 表示计算欧几里得距离。