1.一种基于无锚点精确采样遥感图像车辆目标检测方法，其特征在于，包括如下步骤：S1，使用多层卷积神经网络对原始图片进行特征提取，根据不同尺度大小的特征图构成自上而下特征金字塔；

S2，对于特征金字塔的每一层特征，生成特征图上所有像素点的类别预测；

S3，对于特征金字塔的每一层特征，生成特征图上所有像素点的目标框预测；

所述步骤S3进一步包括：对于单个特征图而言，回归子网络中，W与H分别表示特征图的宽与高，256表示特征图的当前通道数为256，先经过多个卷积操作后，在WxHx4中，4表示像素点与上下左右四条边距离的信息：其中， 分别表示正样本与目标框四条边的偏移量；x1、x2、y1、y2分别表示输入的遥感图像中车辆目标框在图片中的左、右、上、下的距离；x、y分别表示正样本像素点在图像中的坐标；l表示当前车辆目标所在的特征金字塔的层数，z为 S为车辆目标的面积大小，log表示为对分数的计算结果取对数；

S4，根据输入图片中的真实框面积信息确定当前车辆目标所属的特征图；

S5，借助真实框内的目标实例分割信息确定目标在对应层特征内的正样本像素点，并通过计算该像素点到真实框四条边的差值；

具体包括获取输入车辆目标的实例分割目标框，最终获取的中心区域为原有分割结果的缩小区域，为了获取所述缩小区域，通过累加该点与四周点的和来确定该点的最终值，选择所有点中的最大值作为阈值：P[i][j]+＝P[i‑1][j‑1]+P[i][j‑1]+P[i+1][j‑1]+P[i‑1][j]+P[i+1][j]+P[i‑1][j+

1]+P[i][j+1]+P[i+1][j+1]

其中P[i][j]表示i行j列的像素点的值；对于处于边界的像素点，采用补0的方式满足上式；

S6，计算所有正样本像素点的类别损失与关于真实框的回归损失；通过SmoothLlLoss计算偏移量信息与目标回归子网络的输出值的损失值，通过FocalLoss计算正样本像素值的分类损失值。

2.如权利要求1所述的基于无锚点精确采样遥感图像车辆目标检测方法，其特征在于，S1进一步包括：选用ResNet‑50作为基础卷积神经网络，图片经过网络，在不同的层输出不同尺度的特征图，每上一个特征图是下一个特征图所经过网络的输出，此时的不同特征具有不同的通道数，越上层的特征，通道数越多，首先对不同特征图进行通道数统一化，其过程如下：Pi＝Conv3×3(Ci，256，3，1，1)

其中，Pi代表第i层特征，Conv3x3表示3×3卷积层，Ci表示输入图片经过ResNet‑50得到的特征图，Con3x3卷积层内的参数Ci、256、3、1、1依次为特征图的输入通道数，特征图的输出通道数，卷积层的卷积核尺寸，卷积核每次的移动步长和特征图的边界填充数。

3.如权利要求1所述的基于无锚点精确采样遥感图像车辆目标检测方法，其特征在于，S2进一步包括：先对单层特征图WxHx256先经过四次同样的卷积操作，得到尺度与通道数均不变的特征图，接着使用一个3×3卷积，输出通道数为2的特征图，其中的一个通道表示输入遥感图片中存在车辆目标，另一个通道表示不含有车辆目标。