1.一种小样本条件下电力线路隐患目标检测方法，其特征是包括下述步骤：S1、构建数据集，包括用于预训练的基准数据集和用于迁移学习的电力线路隐患目标小样本数据集；S2、引入双通道SKNet注意力模块，对图像做预处理，快速提取特征并生成特征映射图：S2.1、对输入的图像使用两个大小不一样的卷积核进行分组卷积；S2.2、通过S2.1处理分成两个分支以后，再将两个分支的结果进行融合；S2.3、利用两个softmax归一化函数，将把S2.2的结果回归出每个通道的权重信息，然后将两个权重矩阵对两路进行加权处理，再求和得出输出向量，即特征映射；S3、以ResNet152为基础网络，用SKNet替换卷积模块改进残差网络结构，形成新的SKNet-ResNet152网络结构：S3.1、Conv1保持与ResNet152网络不变；S3.2、Conv2中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv2_x模块；S3.3、Conv3中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv3_x模块；S3.4、Conv4中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv4_x模块；S3.5、Conv5中用SKNet替换3×3卷积模块，其他保持不变，形成新的SKNet-Conv5_x模块；S3.6、最后平均池化、全连接、归一化等操作保持不变，形成新的SKNet-ResNet152网络结构；S4、基于S3中的SKNet-ResNet152网络和区域候选网络，构建引入SKNet的Faster R-CNN++网络：S4.1、对输入的图像数据用Conv1模块进行卷积操作，生成特征图1；S4.2、对特征图1用3组SKNet-Conv2_x模块进行卷积操作，生成特征图2；S4.3、对特征图2用8组SKNet-Conv3_x模块进行卷积操作，生成特征图3；S4.4、对特征图3用36组SKNet-Conv4_x模块进行卷积操作，生成特征图4；S4.5、将特征图4作为输入，用区域候选网络进行处理生成候选区域信息；S4.6、将特征图4和候选区域信息进行感兴趣区域池化，生成特征图5；S4.7、对特征图5用3组SKNet-Conv5_x模块进行卷积操作，利用逻辑回归函数获取最终分类并获取最终的目标检测框位置；S5、计算网络的损失值：网络的损失函数包括三部分：a.区域候选网络损失L rpn ：取决于是否区分了前景和背景；b.分类分支损失L cls ：采用交叉熵损失函数；c.边框回归损失L loc ：采用平滑L1损失函数；在训练方式上，仅使用基础数据集训练特征提取网络，联合训练损失为：L＝L rpn +L cls +L loc (4)L rpn 包括候选区域前景背景的二分类损失和区域优化的第一次回归损失，L cls 是最后分类束的交叉熵损失，L loc 是回归束的平滑L1损失；S6、跨域迁移学习及参数微调：使用基准数据集和小样本数据集，采用两阶段训练和微调机制构建小样本目标检测模型：S6.1、基于以上网络结构，使用基础数据集对网络进行训练，得到初步的网络模型；S6.2、在S6.1得到的网络模型基础上，保持模型中整个特征提取器参数不变，去除模型最后一层参数；S6.3、用小样本数据集对模型最后一层的分类器和回归器参数进行微调，得到小样本类的权重；S6.4、在包含基准数据集和小样本数据集的平衡数据集上进行迁移学习训练，实现对参数的微调；S6.5、微调损失计算，损失函数与S4中相同；S7、最后采用余弦相似度分类，权重矩阵[w 1 ,w 2 ,...,w c ],w i 表示每个类别的权重向量，输出的是相似性得分S，S中的元素计算公式为：S i,j 表示为输入图像x第i个建议区域和第j个类别的权重向量的相似性得分，α是一个缩放因子，设为10。
2.根据权利要求1所述的一种小样本条件下电力线路隐患目标检测方法，其特征是S4所述的区域候选网络包括两部分操作：a.建议区域分类：对特征图进行区域分割，并从中分辨出前景和背景区域；b.边框回归：提取前景区域的大概位置坐标；区域候选网络训练时将两部分的损失值加起来；设锚框预测为目标的概率为p i ，p i *是前景的标签值，正样本为1，负样本为0；N cls 是一个批次的大小，N reg 是锚框的总数，λ是两种损失值的平衡比例，前景与背景的对数损失为L cls (p i ,p i *)，t i 是第i个预测锚框的参数化坐标，t i *是第i个预测锚框对应的人工标注锚框的参数化坐标，R是平滑L1函数，Faster R-CNN的损失函数如公式1、公式2、公式3所示：
