1.基于ODC‑YOLO网络的遥感图像目标检测方法，其特征在于，具体步骤如下：

S1、获取遥感数据集；

S2、对数据集中的图像进行切割处理，将图像划分为训练集、验证集和测试集；

S3、设置输入图像的尺寸、训练次数和检测对象的类别参数；

S4具体如下：

S4.1、在动态卷积中融入了三个维度的注意机制，包括卷积的尺寸、卷积的输入通道数和输出通道数，构成一个多维度的动态卷积，同时利用残差网络Res2Net与C3模块融合构成新的C3‑Res2Net模块，将该模块与多维动态卷积网络结合，得到OD‑Res2Net主干网络；

S4.2、构建一个具有多尺度的感受野增强模块，在不同大小的卷积层中，分别使用三种尺度的空洞卷积层分支，通过普通卷积与空洞卷积的结合，每个分支的感受野都得到了的提升，再将各个分支叠加在一起，以表达多尺度的感受野融合效果；

S4.3、设计一个轻量级的上采样算子进行采样操作，主要分为上采样预测模块和特征重组模块；给定一个输入特征图，首先利用上采样预测模块预测上采样核，后利用特征重组模块完成上采样；

S5、将步骤S2所得图像添加至步骤S4所得的ODC‑YOLO网络模型中，运用训练集和验证集标记好的图片进行训练，训练过程中，将测试集内划分好的图片进行测试，获得每一个阶段训练的效果。

2.如权利要求1所述基于ODC‑YOLO网络的遥感图像目标检测方法，其特征在于，步骤S1中，采用DOTA数据集，图像来源于不同地区、不同时相阶段。

3.如权利要求1所述基于ODC‑YOLO网络的遥感图像目标检测方法，其特征在于，步骤S2中，切割通过滑动窗口实现，将每个图像中小影像的大小设置固定像素大小，切割从图像左上角开始；将切割后的数据集和对应的标签按照8：1：1分为训练集、验证集和测试集。

4.如权利要求1所述基于ODC‑YOLO网络的遥感图像目标检测方法，其特征在于，步骤S4.1中，将多维动态卷积引入主干网络，多维动态卷积根据注意力机制动态聚合多个并行卷积核，这些卷积核对每个单独输入数据x通过输入相同注意力来聚合偏差；多维动态卷积的公式如下所示：y＝(αw1⊙αf1⊙αc1⊙αs1⊙W1+...+αwn⊙αfn⊙αcn⊙αsn⊙Wn)*xk*k

x表示输入，y则是输出；αwi∈R为卷积维度Wi的注意力系数矩阵，αsi∈R 、 和αfiout∈R 分别表示沿着卷积核Wi中的空间维度、输入通道维度、输出通道维度上的动态卷积注意力系数矩阵，⊙表示沿着核空间的不同维度的乘法运算，i的取值范围在1‑n；注意力乘以卷积核Wi的过程具体如下：先通过全局平均池化GAP将输入x压缩为长度为Cin的特征向量；后通过一个全连接层FC和四个分支，全连接层之后经过ReLU激活函数修正线性单元；全连接层FC将压缩后的特征向量映射到低维空间，对于四个分支，都有输出尺寸为k*k、Cin*1、Cout*1和n*1的全连接层FC，并使用Sigmoid和SoftMax函数来生成归一化的注意力asi、aci、afi、awi；其中，Cin表示输入通道数，Cout表示输出通道数；

在多维动态卷积中，对于卷积核Wi：(1)asi将不同的注意力标量分配给k*k空间位置处m的卷积参数；(2)aci为每个卷积滤波器Wi的Cin通道分配不同的注意力标量；(3)afi为Cout卷积滤波器分配不同的注意力标量；(4)awi为整个卷积分配注意力标量；

在多维动态卷积的基础上，将Res2Net网络与C3模块融合构成新的C3‑Res2Net模块，Res2Net通过一系列通道划分、分组卷积、块间融合、通道拼接操作实现特征融合，具体过程如下式所示：其中，输入特征经过通道划分为s块特征图，xi表示第i块特征图，Ki表示融合第i块特征图的卷积层，yi表示融合xi之后获得的特征图，yi‑1表示融合xi‑1之后获得的特征图。

5.如权利要求1所述基于ODC‑YOLO网络的遥感图像目标检测方法，其特征在于，步骤S4.3中，轻量级的上采样算子主要分为两个模块，分别是上采样核预测模块和特征重组模块；两个模块的表达式如下所示:χ′l′＝φ(N(χl,kup),wl')

上采样核预测模块 根据以目标位置l为中心的输入特征χl的邻近位置，为每个位置预测一个重组内核wl'，其中N(χl,kencoder)表示输入特征χl的kencoder*kencoder的子区域，特征重组模块φ在输入特征χl中取出kup*kup的子区域N(χl,kup)，其中kup*kup表示子区域的尺寸大小，然后与上一步中的重组内核wl'做点积，得到重组后的以目标位置l'为中心的输入特征χ′l'；

上采样核预测模块负责以内容感知的方式生成重组内核，给定一个尺寸为C*H*W的输

2

入特征χ，χ上的每个源位置对应于χ'的δ个目标位置；每个目标位置都需要一个的重组内核，其中kup表示重组内核的大小，因此该模块将输出大小为 的重组内核；对于形状为C*H*W的输入特征图，首先使用一个1*1的卷积将通道数压缩到Cm，减少计算量；假设上采样核尺寸为kup*kup，如果对每个输出特征图的每个位置使用不同的上采样核，需要预测的上采样核形状为δH*δW*kup*kup；对于压缩后的输入特征图，使用一个kencoder*kencoder的卷积层来预测上采样核，输入通道数为Cm，输出通道数为 然后将通道在空间维度展开，得到尺寸为 的上采样核，该上采样核用于特征重组模块；

对于每个重组内核wl'，特征重组模块将通过函数φ对局部区域内的特征进行重组，上采样核预测模块中对于输出特征图中的每个位置，将其映射回输入特征图，取出以kup*kup为中心的子区域，和预测出的该点的上采样核作点积，得到输出值，其中相同位置的不同通道共享同一个上采样核。

6.如权利要求1所述基于ODC‑YOLO网络的遥感图像目标检测方法，其特征在于，在步骤S5后进行步骤S6：模型在训练结束后会生成相应的权重文件，导入训练好的权重与待检测的图片和对应的标签，得到检测之后的数据与图片，分析比较识别效果和检测精度。

7.基于ODC‑YOLO网络的遥感图像目标检测系统，其基于权利要求1‑6任一项所述的方法，其特征在于，包括如下模块：数据获取模块：用于获取遥感数据集；

数据预处理模块：对数据集中的图像进行切割处理，将图像划分为训练集、验证集和测试集；

网络模型配置模块：设置输入图像的尺寸、训练次数和检测对象的类别参数；

YOLOv5网络结构设置模块：

在动态卷积中融入了三个维度的注意机制，包括卷积的尺寸、卷积的输入通道数和输出通道数，构成一个多维度的动态卷积，同时利用残差网络Res2Net与C3模块融合构成新的C3‑Res2Net模块，将该模块与多维动态卷积网络结合，得到OD‑Res2Net主干网络；

构建一个具有多尺度的感受野增强模块，在不同大小的卷积层中，分别使用三种尺度的空洞卷积层分支，通过普通卷积与空洞卷积的结合，每个分支的感受野都得到了的提升，再将各个分支叠加在一起，以表达多尺度的感受野融合效果；

设计一个轻量级的上采样算子进行采样操作，主要分为上采样预测模块和特征重组模块；给定一个输入特征图，首先利用上采样预测模块预测上采样核，后利用特征重组模块完成上采样；

网络模型训练模块：将图像添加至ODC‑YOLO网络模型中，运用训练集和验证集标记好的图片进行训练，训练过程中，将测试集内划分好的图片进行测试，获得每一个阶段训练的效果。