1.一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，包括具体步骤如下：S1：获取Google Earth公开的遥感军事坦克数据集，按6：2：2比例划分为训练集、验证集和测试集；

S2：在YOLOv7网络中，使用轻量级MobileNetv3替代原有Backbone，减少模型体积大小；

S3：设计更加适用于遥感目标的SD-MP模块，减少下采样过程中坦克目标的特征损失；

S4：基于GCNet和深度可分离卷积设计GD-ELAN模块，在轻量化的同时增强了模型的表示能力；

S5：将数据集输入网络进行迭代训练，训练完成后，使用最优模型对测试集进行检测得到最后结果；

在所述SD-MP模块中，S表示分离拼接，D表示DBS模块，包括深度可分离卷积、批量归一化和SILU激活函数的组合，用于进一步处理和丰富重组后的特征信息，且在SD-MP模块中，输入图像通过两条分支A分别进行特征提取，之后，则会对两条分支A处理后的特征再在通道维度上进行拼接，最终输出合并后的特征图，至此，以有效缓解了下采样过程中出现的特征丢失问题，使得模块能够捕获更丰富的细节信息；其中，两条分支A具体如下：第一条分支A采用一种分离拼接方法，首先将输入特征图分割为4个更小的子图块，并沿通道维度重新组合，以形成更加丰富的特征表达，随后，重新组合的特征通过一个卷积进一步整合，再把重组后的特征图依次经过一个DBS模块，进行特征提取；

第二条分支A将输入的特征图使用两个连续的DBS进行特征处理，以逐层提取细粒度的局部特征；

在所述GD-ELAN模块中，G表示GCNet，D表示深度可分离卷积，DBS_GC表示深度可分离卷积、批量归一化、SILU激活函数和GCNet的组合，且在GD-ELAN模块结构中，其输入特征会经过两条分支B，之后，则会对得到的所有特征图进行拼接，形成一个包含局部与全局信息的综合特征图，随后通过DBS模块进一步处理得到最终的特征图；其中，两条分支B具体如下：第一条分支B通过一个DBS_GC模块对输入特征图进行处理，先利用DBS模块提取细粒度的局部特征，再通过GCNet模块捕获图像中的全局上下文信息，实现特征信息的全面整合；

第二条分支B依次采用两个DBS模块提取丰富的局部特征，随后在DBS_GC模块中进一步处理，以实现局部与全局特征的深度融合，提取过程中每一步的特征均被传递至拼接模块，确保多尺度特征能够全面表示目标细节。

2.根据权利要求1所述的一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，所述S1中遥感图像军事坦克数据集其具体为：获取来源于开源的GoogleEarth数据，其中包含了不同高度、方位、时间的4000张图片，划分出训练集2400张、验证集800张和测试集800张进行实验。

3.根据权利要求1所述的一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，所述S2中使用轻量级MobileNetv3其具体为：使用MobileNetv3作为MSG-YOLOv7的骨干网络，显著减少了模型的参数量和计算量，其中，MobileNetv3是一种专为图像处理任务设计的轻量级神经网络结构，它由Bneck结构组成，这个结构由扩张卷积、深度可分离卷积、SE模块和残差连接组成，在这个结构中，扩张卷积有助于增加感受野，深度可分离卷积则降低了计算成本并促进了信息流动，而SE模块则能够更好地建模特征之间的关系，而残差连接则可以融合不同特征层之间的信息，这些模块的整合能够有效提升特征学习和信息传递的效率，有助于保持模型轻量化的同时提供良好的性能表现，使得模型更适用于资源受限的场景。

4.根据权利要求3所述的一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，所述深度可分离卷积是一种卷积神经网络中常用的操作，它的设计旨在减少参数数量和计算量，同时保持模型性能，其分为两个步骤：步骤一：深度卷积，对每个输入通道进行单独的卷积操作以捕捉局部特征；

步骤二：逐点卷积，使用1×1的卷积核进行线性组合，将深度卷积的输出映射到最终的输出通道；

其中，标准卷积参数量P和计算量F公式如下：

P＝DK×DK×M×N

F＝DK×DK×M×N×DW×DH

其中DK代表卷积核，M代表输入通道数，N代表输出通道数，DW代表输出特征宽，DH代表输出特征高；

深度可分离卷积的参数量DP和计算量DF公式如下：

DP＝DK×DK×M+M×N

DF＝DK×DK×M×DW×DH+M×N×DW×DH

两者参数量和计算量对比如下：

5.根据权利要求1所述的一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，所述GCNet是一种全局上下文模块，能够在图像处理中获取全局信息，这种全局信息对于正确区分目标和背景，以及理解目标与周围环境的关系非常重要，对于提高坦克目标检测的准确性和可靠性非常有效，其计算过程如下：Y＝X×σ(Wv2Relu(LN(Wv1Y1)))

公式中，Xi表示特征图中的任意位置信息，Np表示所有位置数量，Wk表示权重参数，Softmax表示归一化操作，Y1为得到的特征矩阵，Relu为激活函数，LN为层归一化，Wv1、Wv2分别为两个卷积层v1、v2的权重参数，σ为sigmoid函数，Y为最终特征图。

6.根据权利要求1所述的一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，所述S5中模型训练其具体为：实验在Ubuntu 16.04环境下进行，采用Python 3.8和PyTorch 1.9.0作为开发工具，在硬件配置方面，使用了GeForce RTX3090GPU和Core i9-10900 CPU，配备了CUDA 11.1，系统内存容量为64GB，模型训练中设置了图片大小为640×640，并使用了SGD优化器，批量大小为16，训练迭代次数为200次。

7.根据权利要求1所述的一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，所述S5中获取模型检测结果其具体为：将改进后算法与不同算法进行对比，选取权重大小、每秒传输帧数、参数量、计算量和平均精度AP指标来评估模型性能，其AP计算公式如下：公式中，P为精度、R为召回率，TP为正确检测的数量，FP为被错检为正样本的数量，FN为被错检为负样本的数量。

8.根据权利要求7所述的一种基于MSG-YOLOv7的轻量化遥感图像军事坦克目标检测算法，其特征在于，所述S5中将改进后算法与不同算法进行对比其具体为：为了准确地验证MSG-YOLOv7算法在遥感坦克检测任务中的性能，将其与SSD、YOLOv3、YOLOv4、YOLOv5、YOLOv7、YOLO-FSD和DCN-YOLO算法进行比较，在同等条件下训练和测试以上各算法。