1.一种基于多尺度特征自增强的改进SSD小目标检测方法，其特征在于，包括：步骤1：构建多尺度特征自增强网络，所述多尺度特征自增强网络采用SSD作为骨干网络，多尺度特征自增强网络包括多尺度辅助特征提取模块及特征自增强模块，所述多尺度辅助特征提取模块包括辅助特征提取和增强模块、自适应特征融合模块，所述特征自增强模块由特征自增强块和具有扩张卷积的特征自增强块组成；

步骤2：将公开的已标注的图片数据集输入到多尺度特征自增强网络的SSD中，得到6个不同大小的有效特征图；

步骤3：将输入图像输入辅助特征提取和增强模块中，与步骤1中的前3个大的有效特征图进行融合得到3个第一特征图；

步骤4：将步骤3得到的3个第一特征图输入自适应特征融合模块中得到3个第二特征图；

步骤5：将步骤2中得到的后3个大的有效特征图和步骤4得到的3个第二特征图输入到特征自增强模块得到6个第三特征图；

步骤6：基于步骤5中得到的第三特征图进行多尺度特征自增强网络训练，得到训练好的多尺度特征自增强网络小目标检测模型；

步骤7：基于训练好的多尺度特征自增强网络小目标检测模型进行小目标检测；

所述步骤3中，辅助特征提取和增强模块的处理过程如下：步骤31，设输入图像为Fi，对Fi进行不同尺度的最大池化操作得到三个特征图Mi，其中i∈{1,2,3}；

步骤32，对Mi进行1×1卷积、归一化、激活操作得到Conv_1i；

步骤33，对Conv_1i进行3×3卷积、归一化、激活操作得到Conv_2i，该3×3卷积为扩张率为3的空洞卷积；

步骤34，对Conv_2i进行1×1卷积、归一化、激活操作得到步骤35，将三个特征图 与步骤2中的前3个大的有效特征图进行一一对应的特征融合操作得到Ai，其中i∈{1,2,3}；

步骤36，对Ai进行3×3卷积、归一化、激活操作得到 其中i∈{1,2,3}，该3×3卷积为扩张率为3的空洞卷积；

所述步骤4中，自适应特征融合模块的处理过程如下：步骤41，将 和 进行自适应特征融合：

步骤411，对 进行上采样，然后再进行1×1卷积；

步骤412，对 进行上采样，然后再进行1×1卷积；

步骤413，将 和步骤411和步骤412得到的特征图进行融合得到D′1；

步骤42，将 和 进行自适应特征融合：

步骤421，对 进行自适应最大池化操作，然后再进行1×1卷积；

步骤422，对 进行上采样，然后再进行1×1卷积；

步骤423，将 和步骤421和步骤422得到的特征图进行融合得到D′2；

步骤43，将 和 进行自适应特征融合：

步骤431，对 进行自适应最大池化操作，然后再进行1×1卷积；

步骤432，对 进行自适应最大池化操作，然后再进行1×1卷积；

步骤433，对 和步骤431和步骤332得到的特征图进行融合得到D′3；

步骤44，将步骤413、步骤423和步骤433得到的D′1、D′2、D′3进行3×3卷积、归一化、激活操作得到Di，其中i∈{1,2,3}；

所述自适应特征融合模块中引入了权重因子且可以参与网络训练来更新权值：式中

其中L表示梯度曲面函数； 为第k层的第i个神经元的值； 表示第k层第i个神经元的偏置； 为第k‑1层第j个神经元到第k层第i个神经元的权重，且 ε为一个极小值；l表示从1到n之间的任一整数；

所述步骤5包括：

步骤51，将步骤44得到的Di输入多个连续的具有扩张卷积的特征自增强块中；

步骤511，对Di进行1×1卷积、归一化、激活操作；

步骤512，对步骤511得到的特征图进行3×3卷积、归一化、激活操作，该3×3卷积为扩张率为k的空洞卷积，k为当前迭代次数，其中k∈{1,2...n}；

步骤513，对步骤512得到的特征图进行1×1卷积、归一化、激活操作；

步骤514，重复步骤511至步骤513操作n次；

步骤515，对步骤514得到的特征进行激活操作得到Bi；

步骤52，将步骤2中得到的后3个大的有效特征图输入多个连续的特征自增强块中，将后3个大的有效特征图定义为Dj，j∈{1,2,3}；

步骤521，对Dj进行1×1卷积、归一化、激活操作；

步骤522，对步骤521得到的特征图进行3×3卷积、归一化、激活操作；

步骤523，对步骤522得到的特征图进行1×1卷积、归一化、激活操作；

步骤524，重复步骤521至步骤523操作n次；

步骤525，对步骤524得到的特征进行激活操作得到Bj。