1.一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，包括以下步骤：S1、对遥感图像进行四倍下采样操作，获得特征丰富且尺寸合适的图像；

S2、构建无锚框的遥感图像旋转目标检测模型，将S1中处理之后的图像作为输入，利用骨干网络提取浅层和深层特征图；

S3、利用S2中提取出的不同尺度特征使用特征金字塔FPN进行特征融合，获得四倍下采样的特征图；

S4、设计目标检测head模块，将S3得到的特征图作为head模块的输入，head模块检测特征图中每个像素点的类别和位置，类别输出选取K个目标的类别损失最小的top‑K个中心点位置，利用上述K个中心点位置预测出目标边界框的一个极半径和两个极角，即极坐标下的预测框位置信息；

S5、设计损失函数，计算输出预测框相对边界框的损失函数：计算极半径和极角的角度损失函数，计算预测框的偏置损失函数，中心点类别损失函数，更新无锚框的遥感图像旋转目标检测模型参数，完成模型的训练；

所述损失函数L包括类别损失函数和位置损失函数；所述位置损失函数包括角度损失函数和预测框的偏置损失函数，损失函数L计算公式如下：L＝Lclass+λlocLloc

其中，Lclass、Lloc分别为类别损失函数、位置损失函数，λloc是调节系数；

所述位置损失函数如下：

Lloc＝Lloc'+LPIoU

其中，Lloc为位置损失函数，包括偏置损失和角度损失，Lloc`为极半径ρ和两个极角θ1、θ2的角度损失函数，LPIoU为预测框的偏置损失函数，M为所有正样本，Sb∩b′，Sb∪b′分别为预测框和边界框的相交区域面积和相并区域面积，计算公式如下：Sb∪b′＝w×h+w′×h′‑Sb∩b′

其中，Bbb'为包围边界框b和预测框b'的最小正方形，s∈(w，h), pi，j为预测框中心点，w、h为边界框的宽和高，w′、h′为预测框的宽和高， 为预测中心点到边界框宽和高的距离，K为3×3卷积核，F(pi,j∣b)用来判断预测中心点是否在边界框内，k用于控制每个像素点的权重；

S6、利用所述训练完成的目标检测模型进行遥感图像目标检测。

2.根据权利要求1所述的一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，所述极半径的计算公式如下：其中，预测框的顶点坐标为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，极点坐标为(xp,yp)，计算公式为： ρ为极半径。

3.根据权利要求1所述的一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，利用预测框的四个顶点和中心点计算所有极角的大小，然后按逆时针方向获取最小的的两个极角θ1、θ2作为角度预测输出，极角的计算公式为：其中，xp,yp为预测框的极点坐标；xi,yi为预测框的顶点坐标。

4.根据权利要求1所述的一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，所述类别损失函数Lclass如下：其中，N表示目标的总数量，pt表示对每个像素点预测的类别概率，反映了预测类别与真实类别的接近程度，pt越大分类越准确；γ是超参数，用来控制样本的权重，当γ越大时，易分样本的权重小。

5.根据权利要求1所述的一种基于无锚框的遥感图像旋转目标检测方法，其特征在于，Lloc`计算公式如下：*

其中，Lloc`为极半径ρ和两个极角θ1、θ2的角度损失函数，u表示预测值，u表示真实值，当预测值和真实值相等时，损失函数Lloc`为零。