1.一种基于尺度注意力网络的遥感图像场景分类方法，其特征在于，包括：步骤S1：将场景数据集按预设比例划分为训练集和测试集；

步骤S2：对场景数据集中的图像进行预处理；

步骤S3：将预处理后的数据集输入到注意力模块中进行显著性检测，产生注意力图；

步骤S4：利用预训练模型初始化尺度注意力网络的参数，并采用训练集和注意力图微调尺度注意力网络，保存训练好的尺度注意力网络；

步骤S5：采用微调后的尺度注意力网络对待分类图像场景的类别进行预测，获得预测结果，将其作为分类结果；

其中，步骤S3具体包括：

步骤S3.1：将进行预处理后的图像输入到注意力模块，执行超像素分割，超像素表示为{si}，i＝1，...N；

步骤S3.2：从图像中提取注意力特征：包括颜色特征，纹理特征，方向特征和梯度特征；

步骤S3.3：根据一维熵筛选注意力特征，得到m个最优特征，表示为{Fk}，k＝1，...m；其中，一维熵由以下公式计算：式(3)中PI表示灰度值为I的像素的比例；

步骤S3.4：基于全局区域对比度和空间关系计算每一个超像素si的显著性分数Sal(si)，生成初始注意力图，表示为S0，超像素si的显著性分数由以下公式计算：其中，c(si)由以下公式计算：

dis(si，sj)由以下公式计算：

上式中，

c(si)为超像素(xi，yi)与图像中心坐标(x′，y′)之间的距离，[1 a b]表示CIELAB颜色空间像素的三个颜色分量，si，sj分别表示第i，j个超像素，

(xi，yi)，(xj，yj)分别表示超像素si，sj的空间坐标，Z为相邻超像素的空间距离，

β为固定常数，取值范围[1，40]，

dis(si，sj)表示超像素之间的颜色-空间加权距离；

步骤S3.5：使用最大类间方差(Otsu)阈值将注意力图Sk-1，k≥1分割为显著和非显著区域，即图像的前景种子(FS)和背景种子(BS)；

步骤S3.6：基于注意力图的前景种子和背景种子重新计算每一个超像素si的显著性分数Sal′(si)，生成优化后的注意力图Sk，k≥1，超像素的显著性分数由以下公式计算：其中，前景种子的显著性分数计算公式为：背景种子的显著性分数计算公式为：

上式中，SalFS(·)和SalBS(·)分别表示前景和背景的显著性分数；

步骤S3.7：计算优化后的注意力图Sk的损失函数L(k)，并重复步骤S3.5和S3.6，最小化L(k)的值，得到对应的最优注意力图Sk；其中，损失函数值由以下公式计算：L(k)＝L1(k)+L2(k)(9)其中，L1(k)由以下公式计算：

L1(k)＝(Sk-Sk-1)2                          (10)L2(k)由以下公式计算：

其中，k≥1，si，sj∈Sk，1≤i，j≤j。

2.如权利要求1所述的方法，其特征在于，步骤S2具体包括：步骤S2.1：将数据集中图像的尺寸缩放至网络要求的输入大小；

步骤S2.2：采用公式(1)对缩放后的图像I进行归一化处理：式(1)中u，std分别表示图像I的均值和标准差。

3.如权利要求1所述的方法，其特征在于，步骤S4具体包括：步骤S4.1：采用预训练模型初始化尺度注意力网络参数；

步骤S4.2：设置卷积神经网络超参数；

步骤S4.3：采用训练集和对应的注意力图，对尺度注意力网络进行多次训练，保存训练好的尺度注意力网络。

4.如权利要求1所述的方法，其特征在于，步骤S5具体包括：步骤S5.1：对待分类图像场景进行预处理，包括调整大小和归一化，得到预处理后的图像；

步骤S5.2：将预处理后的图像输入到注意力模块中进行处理，得到注意力图S；

步骤S5.3：调整预处理后的图像的大小到不同尺度，得到多尺度图像{I′k}，k＝1...n；

步骤S5.4：采用步骤S4得到的最优模型初始化尺度注意力网络参数；

步骤S5.5：将I′k，k＝1...n输入到尺度注意力网络中提取特征{Fk}，k＝1...n，同时在特征提取过程中使用注意力图S与卷积层2_x、卷积层3_x、卷积层4_x、卷积层5_x输出的特征Fki作乘积，公式如下：式(1 2)中Fki表示第k种尺度第i层特征，S表示输入图像I对应注意力图，R(·)表示将图像调整到与Fki同样大小；

步骤S5.6：对多尺度特征{Fk}，k＝1...n使用平均池化，然后串联，得到最终的融合特征F；

步骤S5.7：使用全连接层和SoftMax分类器预测融合特征F的类别。

5.如权利要求1所述的方法，其特征在于，上述步骤S3.1所述的注意力模块包括以下部分：超像素分割、注意力特征提取、计算初始注意力图、注意力图优化和最终注意力图生成。