1.一种自适应特征融合冗余优化的小目标检测方法，其特征在于，包括如下步骤：S1、利用现有图像制作训练数据集；

S2、构建神经网络模型：采用DLA34‑CenterNet网络作为神经网络基础框架，构建MSA自适应激活模块作为网络的底层模块，对输入特征按通道自适应地进行非关注抑制‑关键增强；

S3、在S2搭建好的基础网络框架的特征输出部分注入GC‑Block注意力模块，对提取的特征二次清洁；

S4、在S3基础上，使用深度可分离卷积和Mish激活，设计高效的特征编解码模块DW，对输入数据而言，先进行独立的通道卷积再使用1×1卷积进行通道扩充，每次卷积后都要经过一次GN与Mish激活；

S5、采用训练数据集对S2‑S4构建的神经网络进行训练，获得训练好的神经网络模型；

S6、将待检测图像输入训练好的神经网络模型，获得目标检测结果。

2.根据权利要求1所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S2中，自适应激活模块对输入特征图的处理方法为：S21、对输入特征图进行实例归一化压缩图像维操作后，随后进行两次全连接批量归一化操作，再经过一个Sigmoid函数运算与范围映射之后，生成通道激活强度范围控制量；

S22、引入两激活类型控制参数P1、P2，与S21中生成的通道激活强度范围控制量结合，可自适应地生成不同类型的通道激活函数；

S23、将自适应通道激活函数应用到输入特征图上，得到通道杂质冗余明显得到优化的特征图，其中非关注特征在各通道中被明显削弱。

3.根据权利要求2所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S22中，生成通道激活强度范围控制量的公式由下式自适应决定：β＝a·|1‑Sigmoid(CVBN2(CVBN1(INSsum(2,3)(x))))|其中，x表示输出特征图，INSsum(2,3)表示实例归一化后对维度(2,3)求和压缩成1x1维，CVBN1表示第一次卷积+批量标准化操作、CVBN2表示第二次卷积+批量标准化操作，Sigmoid将输出限制到[0,1]之间，||表示取绝对值，a是范围调节因子，可以将输出映射到[0,a],β即生成的通道激活强度范围控制量。

4.根据权利要求2所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S23中，自适应通道激活的输出特征out为out＝(p1‑p2)x·Sigmoid(β(p1‑p2)x)+p2x其中x为输入特征，p1、p2为自适应激活方式控制参数，在网络中是可学习的参数。

5.根据权利要求1‑4中任一所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S3中，GC‑Block注意力模块对输出特征的处理方法为：S31、对主干输出特征进行层级语义强度提取，将特征图与提取到的强度相乘，得到语义增强后的特征图；

S32、对S31中语义增强后的特征图进行注意力淬取，得到定位特征增强的高语义特征图；

S33、将原始主干输出特征与定位特征增强的高语义特征图进行通道拼接。

6.根据权利要求5所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S32中，对特征图进行注意力淬取的过程由下式表示：其中Attention‑out是运算输出， 是输入特征，对于图像数据来说Np表示单层通道上的像素点数量H·W，W是线性变换矩阵，网络中均采用1×1卷积实现，R表示ReLU，LN是层归一化。

7.根据权利要求1所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S4中，编解码模块DW的运算过程，可由下式表示：Dout＝CV1_C(CVL(x))其中Dout表示解码输出，x表示输入特征，CV1_C表示使用1×1卷积进行通道扩充，CVL表示按通道层进行独立的卷积操作，每个卷积中都包含GN和Mish块。