1.一种基于YOLOv4的轻量级遥感图像检测方法，其特征在于，包括以下步骤：步骤1：获取遥感图像的数据集；

步骤2：以YOLOv4网络为基本模型，构造GSC‑YOLO模型；

2.1：采用Ghostnet作为特征提取网络提取图像的原始特征，并使用Ghost卷积替换除特征提取网络外的所有普通卷积；

首先将输入图片大小调整为608×608×3送入Ghostnet；

其次，取出经过第三、四、五个残差块后的特征图，送入加强特征提取网络中，特征图尺寸分别为76×76×40、38×38×112、19×19×160；

最后，采用Ghost卷积替换掉加强特征提取网络和预测头的所有普通卷积；

Ghost卷积首先利用普通卷积进行通道压缩生成不含冗余信息的特征图A，将A经过特征映射和简单的卷积运算生成最终的特征图B；

采用传统卷积和Ghost卷积参数量比为：

公式中分子为传统卷积，分母为Ghost卷积；n，c分别为输入和输出特征图通道数；k为卷积核大小；d为廉价运算的卷积核大小；s为变换次数；其中c＞＞s；d的大小与k的大小基本相同，由公式可得出Ghost模块较传统卷积显著减少参数量；

2.2：在加强特征提取网络中使用SPP结构，在不同尺度上进行池化操作；使用PANet将来自骨干网络的不同尺度的特征图进行特征融合；

2.3：在检测头部引入SA‑A注意力机制；

2.4：采用CP‑Cluster代替基于NMS的方法对预测框进行后处理；

步骤3：将处理后的DOTA数据集输入到GSC‑YOLO网络模型中，进行迭代训练，直至网络收敛；

步骤4：使用测试集样本输入训练好的GSC‑YOLO网络模型中，输出结果，并查看检测到的遥感图像效果图。

2.根据权利要求1所述的一种基于YOLOv4的轻量级遥感图像检测方法，其特征在于，所述的步骤1中，具体方法为：在DOTA数据集中提取实验数据，DOTA数据集包含15种类别的航拍图像，将图片裁剪尺寸为600*600的图片，然后将数据集处理为VOC格式，以供检测框架读取。

3.根据权利要求1所述的一种基于YOLOv4的轻量级遥感图像检测方法，其特征在于，所述的步骤2.3中，具体方法为：输入一张特征图X，首先将其在通道上分成G组，X＝[X1，......，XG]，其中XK为子特征；

再将子特征在通道维上分为两部分Xk1、XK2，将Xk1在通道维上分为Xk11、XK12两部分，分别送入使用全局平均池化和使用全局最大池化的通道注意力模块，进行全局平均池化和全局最大池化，生成通道统计；得到的通道统计进行变换，经过变换函数和Sigmoid激活后，得到两个特征图X′K11、X′K12，将得到的两个特征图X′K11、X′K12在通道维度进行堆叠，得到经过通过注意力后的子特征图X′K1，通道注意力计算过程如下：X′K12＝σ(Fc(FGMP(XK12)))*XK12＝σ(W12*max(XK12)+b2)*XK12X′K1＝CONAT(X′K11，X′K12)

将XK2送入空间注意力模块，首先通过组标准化获得空间统计，将空间统计变换函数及Sigmoid激活后，与输入特征图相乘，到经过通过注意力后的子特征图X′K2，空间注意力计算过程如下：X′K2＝σ(W2*GN(XK2)+b2)*XK2

对得到的两个特征图X′K1、X′K2,在通道维上进行堆叠，形成新的子特征图XK，将所有子特征图XK进行聚合，最后采用Channel Shuffle算子来实现跨组信息沿通道维度流动，最终的输出特征图与输入特征图X大小相同。

4.根据权利要求1所述的一种基于YOLOv4的轻量级遥感图像检测方法，其特征在于，所述的步骤2.4中，具体方法为：

2.4.1)产生马尔科夫随机场图：对于目标检测模型，设B＝{b1，b2，b3...}是后处理之前模型输出的原始边界框集，对于每对框(bi，bj∈B)，如果它们的IOU大于θ，就在它们之间绘制一条无向边，生成一组马尔科夫随机场图G＝{g1，g2...}；对于每个子图gi∈G，将 定义为边集， 定义为节点集，对于一个框 它的相邻节点集 包含在gn中所有与bi相连的节点，G中子图的数量与预测框的数量相同；

2.4.2)产生正消息：对于边界框 置信度低的邻居集 是其邻居 的子集，其IOU(bi，bj)＞θn且对于每个 而言其置信度P(bj)＜P(bi)；

边界框的增强主要受两个因素的影响：①其较弱的邻居数；②较弱邻居的置信度值；因此由边界框bi生成的正消息Mp(i)计算过程为：其中Q为bi较弱邻居的数量，(1‑P(bi))是规范化项，确保在应用加强正例边界框后P(bi)的最大值不大于1.0；

2.4.3)产生负消息：给定一个边界框 置信度高的邻居集 是 的一个子集，其中IOU(bi，bj)>θ和P(bj)>P(bi)；对于每个 如果边界框的强邻居集不为空，它将被置信度更高的邻居 抑制，利用从 到bi的负影响因子 来选择哪个边界框来抑制bi； 的计算过程为：

当设置α＝1.0时，选择 中置信度值最大的框；相反，如果α＝0.0，则从 中选择具有最大IOU(bi，bj)的最近强邻居；最后产生负消息Mn(i)，Mn(i)的计算过程如下：其中SUPj，i用于限制bi被bj抑制的次数，2是最大抑制次数，将选取负影响因子最大的框来惩罚bi；

2.4.4)更新置信度：利用正消息MP(i)和负消息Mn(i)来更新置信度P(bi)，并更新IOU阈值进行下一次迭代，随着迭代次数增加，低置信度的框会逐渐小于IOU阈值，保留下高置信度的框，P(bi)的计算过程如下：P(bi)←P(bi)+MP(i)‑Mn(i)。