1.一种检测与标注遥感图像小目标一体化的智能方法，其特征在于:包括以下步骤：步骤1：对已经标注的遥感图像集，进行自适应图像增强；

首先存在一个已经标注好目标的遥感图像集，将该标注好目标的遥感图像集用本发明所述自适应图像增强的方法进行数据增强，样本扩充；

本发明所提出的自适应图像增强方法，具体如下：

a)首先计算该已标注遥感图像数据集的类别，和每个类别的数量，设某个遥感图像数据集有{1,2,3,...,n,...,m}类，对应的每一类所标注的数目为{c1,c2,c3,...,cn,...,cm}，经计算得到第n类所包含的标注目标最多为cn，将最大类别的数目和每个类别的数目相比，得到下面序列b)创建一个旋转字典dict＝[180°,150°,120°,90°,60°,30°]，所对应字典的内部编号从1开始到6：当任意一个ratio序列中ratioi∈(0,2]或ratioi∈(0,1]或ratioi∈(1,2]，对这一类别的图像进行180度旋转，即取dict[1]；

当比值ratioi∈(2,3]，对这一类别的图像分别进行dict[1]和dict[2]；

当ratioi∈(3,4]，对这一类别的图像分别进行dict[1]，dict[2]，dict[3]旋转；

当ratioi∈(4,5]，对这一类别的图像分别进行dict[1]，dict[2]，dict[3]，dict[4]旋转；

当ratioi∈(5,6]，对这一类别的图像分别取dict字典中的前5个角度旋转；

当ratioi>6，对这一类别的图像分别按照dict字典中的角度全部旋转；

c)同时由于旋转以后，图像标注框的长w和宽h相比原图像是有角度的变化，使用如下公式，计算旋转后图像标注框的长和宽:W*＝h*sin(θ)+w*cos(θ)，

H*＝h*cos(θ)+w*sin(θ)，

其中W*和H*分别表示旋转后的长和宽，w和h分别表示原图的长和宽，θ表示旋转的角度；

步骤2：将经过自适应图像增强后的图像集输入到基于快速卷积神经网络的目标检测框架，进行目标检测；

步骤3：将待训练的遥感图像集进行步骤1所述的图像自适应增强后输入到步骤2所述的卷积神经网络中进行训练迭代，得到小目标检测和标注的模型；

步骤4：得到小目标检测和标注的模型后通过迁移学习的方法将其迁移到待标注遥感图像集中。

2.根据权利要求1所述的检测与标注遥感图像小目标一体化的智能方法，其特征在于：步骤1中所述的旋转是顺时针旋转或逆时针旋转。

3.根据权利要求1所述的检测与标注遥感图像小目标一体化的智能方法，其特征在于：步骤2中所述的卷积神经网络是VGG16，该目标检测框架的流程具体如下：S1:使用VGG16网络上训练的ImageNet的网络模型作为初始权重进行迁移学习微调；

S2:采用本发明所提出的半监督方法对卷积神经网络中的候选区域网络的候选框anchor的大小进行选取,半监督方法具体描述如下：a)首先通过采用手工标注的方法预估；

b)然后再采用K-近邻法进行维度聚类，对候选框anchor的大小进一步的修正，k-means聚类方法使用数据集标注的ground truth聚类，采用交并比(IoU)执行尺寸的聚类；因此实际的度量尺寸可采用以下公式：d(prebox,boxcenter)＝1-IOU(prebox,boxcenter)其中prebox是指人工选取的候选框anchor的大小，boxcenter是指ground truth矩形框的中心点。通过K-近邻法的聚类，可以使得我们选取更准确的目标检测框；

S3:在VGG16网络的卷积层的最后一层，进入到候选区域的选取，在感兴趣区域的选取后，该检测流程进入到检测的后处理阶段，在后处理阶段，本发明采用改进非极大值抑制算法进行候选区域的选择；

所述的改进非极大值抑制算法公式为：

bi表示一系列检测框的集合，B＝{b1，b2,..bi,…bn}，si表示对应的检测框bi的分数；M是最高分对应的框，iou表示检测框和M的重叠率，σ是衰减参数；Nt是硬阈值。

4.根据权利要求3所述的检测与标注遥感图像小目标一体化的智能方法，其特征在于：Nt取值0.7，σ取值0.6时，小目标检测效果最好。

5.根据权利要求1所述的检测与标注遥感图像小目标一体化的智能方法，其特征在于：步骤3中所述的模型是至少经过60000次左右训练迭代后获得的模型，该模型可很好的检测遥感图像中的小目标。

6.根据权利要求1所述的检测与标注遥感图像小目标一体化的智能方法，其特征在于：所述的卷积神经网络采用的损失函数如下：

其中i表示anchor的序列，pi表示在预测的时候前景的概率， 表示的是ground truth的预测概率；ti表示预测框， 表示对应的前景的anchor对应的ground truth框；其中参数λ是平衡识别类的损失和回归损失的；这里回归损失使用的是如下计算公式：