1.一种基于交叉矫正网络的遥感影像目标检测方法，其特征在于：包括以下步骤；

S1，构造数据集；

获取不同场景的遥感影像，粗略标注每张遥感影像的标签，将带有标签的遥感图像作为训练样本，构成数据集，所述标签包括目标的真实类别和真实框；

S2，构造双检测头交叉矫正网络；

所述双检测头交叉矫正网络包括骨干网络、颈部网络和检测头部网络，所述检测头部网络包括两个检测头DA和DB，DA和DB结构相同并随机初始化参数，其中，骨干网络、颈部网络与DA构成第一检测网络MA，骨干网络、颈部网络与DB构成第二检测网络MB；

S3，用数据集训练双检测头交叉矫正网络，得到第一检测模型M1，所述M1用于输入遥感图像，并分别经DA和DB得到遥感图像的预测输出，所述预测输出包括目标的预测类别概率和预测框；

S4，由MA和MB分别基于加权融合生成目标的第二预测框tA和tB，包括S41~S45；

S41，将训练样本x送入M1，经骨干网络和颈部网络后，对每个目标，输出一预测框集合，剔除负样本框，得到集合B；

S42，经检测头DA获取集合B中所有正样本框的类别分数，构成类别分数集合CA，计算CA中类别分数总和ts；

S43，对集合B中每个正样本框，根据其类别分数在ts中所占的权重，更新坐标参数，得到*对应的更新样本框，再求和得到目标的融合框P ；

S44，计算集合B中每个正样本框与真实框的IoU值，构成IoU集合U，计算CA和U的协方差Cov(CA,U)，若Cov(CA,U)≥0，根据下式生成MA对目标的第二预测框tA，否则将真实框作为tA；

，

* *

ω为t 的权重，t 为训练样本x的真实框；

S45，由检测头DB获取集合B中所有正样本框的类别分数，按步骤S43~S44的方法，生成MB对目标的第二预测框tB；

S5，双检测头交叉矫正，包括S51 S52；

~

S51，对数据集中的每个训练样本生成伪标签，其中训练样本x的伪标签 根据下式得到；

，

式中，yA、yB分别为CA和CB中的最大值，为伪标签类别，为伪标签边界框；

S52，构造联合监督损失L；

，

，

式中，LS为模型M1的损失函数，LP为伪标签监督损失函数， 为分类损失函数，为边界框回归损失函数， 为预测类别概率， 为预测框；

S6，预设迭代次数，用随机梯度下降法最小化L调整模型M1的参数，并更新数据集，迭代结束后得到的数据集作为纠正数据集，其中一次迭代训练为；

将数据集送入M1，每个训练样本经M1得到两个第二预测框tA和tB，并经双检测头交叉矫正得到伪标签，用伪标签替换训练样本的标签，更新训练样本，构成下次迭代训练的数据集，并用随机梯度下降法调整模型M1的参数；

S7，用纠正数据集训练一目标检测模型，用于遥感图像的预测输出；

S42中，目标的类别分数总和 ，其中，ti为集合B中第i个正样本框的类别分数，T为正样本框总数，i=1 T；

~

S43具体为；

Sa1，集合B中第i个正样本框bi的坐标参数 、 、 、 ，根据下式进行更新，得到更新样本框 的坐标参数 、 、 、 ；

，

其中，ti为集合B中第i个正样本框的类别分数，T为正样本框总数，i=1~T，z为bi的1个坐标参数， ， 、 、 、 分别为第i个正样本框的x轴最小值、x轴最大值、y轴最小值、y轴最小值；

*

z 为 的1个坐标参数， ， 、 、 、 分别为 的x轴最小值、x轴最大值、y轴最小值、y轴最小值；

Sa2，对所有更新样本框对应的坐标参数求和，得到融合框 的坐标参数 、 、、 ，分别为 的x轴最小值、x轴最大值、y轴最小值、y轴最小值；

、 、 、 。

2.根据权利要求1所述的一种基于交叉矫正网络的遥感影像目标检测方法，其特征在于：S3中，第一检测模型M1的训练方法为；

构造双检测头交叉矫正网络的损失函数LS，采用随机梯度下降法最小化LS得到M1，其中，LS=LA+LB，LA、LB分别为MA和MB的损失函数。

3.根据权利要求2所述的一种基于交叉矫正网络的遥感影像目标检测方法，其特征在于：LA、LB分别根据下式得到；

，

，

式中，对训练样本x，LA、LB分别为检测头DA和DB的损失函数，Ncls、Nreg分别为分类损失函数 和边界框回归损失函数 的标准化常数，λ为平衡系数，tA、tB分别为DA和* *DB的预测框，y 为训练样本x的真实类别，t 为训练样本x的真实框。

4.根据权利要求1所述的一种基于交叉矫正网络的遥感影像目标检测方法，其特征在于：分类损失函数 、边界框回归损失函数 分别根据下式得到；

，

，

*

式中，对训练样本x，y为训练样本的伪标签类别，t为训练样本的伪标签边界框，y 为训*练样本x的真实类别，t 为训练样本x的真实框， 为Smooth L1损失函数。

5.根据权利要求1所述的一种基于交叉矫正网络的遥感影像目标检测方法，其特征在于：S44中，集合B中第i个正样本框bi与真实框的IoU值Ui根据下式计算；

，

*

式中，t 为训练样本x的真实框。

6.根据权利要求1所述的一种基于交叉矫正网络的遥感影像目标检测方法，其特征在*于：P 的权重ω根据以下方法得到；

Sb1，对每个目标对应的集合B，获取每个正样本框的中心点，构成中心点集合 ，其中集合B中第i个正样本框的中心点为 ， ，i=1 T，T为正样本框总~

数；

Sb2，计算 的标准差 、的平均值 、该目标真实框的中心点 ；

Sb3，根据下式计算ω；

，

式中， 为 和 的欧式距离。

7.根据权利要求1所述的一种基于交叉矫正网络的遥感影像目标检测方法，其特征在于：S41中，采用NMS算法剔除负样本框。