1.一种遥感图像场景分类方法，其特征在于，包括：

获取遥感图像的场景数据集，所述场景数据集包括训练集和测试集；

通过数据增强技术对所述训练集的遥感图像进行预处理；

通过自注意力机制对预置残差网络结构进行改进，得到自注意力残差网络；

利用所述训练集对所述自注意力残差网络进行训练，并根据交叉熵损失及中心损失对所述自注意力残差网络的参数进行优化；

根据优化后的所述自注意力残差网络，对所述测试集的遥感图像进行分类，得到遥感图像场景分类结果。

2.根据权利要求1所述的方法，其特征在于，所述利用所述训练集对所述自注意力残差网络进行训练，并根据交叉熵损失及中心损失对所述自注意力残差网络的参数进行优化，包括：将所述训练集的遥感图像输入到所述自注意力残差网络，所述自注意力残差网络包括五个卷积阶段、自注意力机制、最大池化层、平均池化层、全连接层及分类层；

通过前四个卷积阶段及所述最大池化层对所述遥感图像进行处理，输出特征图；

通过自注意力机制对所述特征图进行处理，输出自注意力特征图；

通过第五个卷积阶段、所述平均池化层及所述全连接层对所述自注意力特征图进行处理，输出特征向量；

通过所述分类层对所述特征向量进行场景分类，输出训练图像的分类结果，所述训练图像为所述训练集中的遥感图像；

根据所述训练图像的真实分类概率分布与所述训练图像的分类结果的预测分类概率分布，计算得到交叉熵损失值；

根据所述全连接层进行降维处理，并计算得到训练样本的中心损失值，所述训练样本为所述训练集中的遥感图像样本；

根据所述交叉熵损失值、所述中心损失值及预置的权衡参数，构建得到联合损失函数；

通过所述联合损失函数对所述自注意力残差网络的参数进行优化。

3.根据权利要求2所述的方法，其特征在于，所述根据优化后的自注意力残差网络，对所述测试集的遥感图像进行分类，得到遥感图像场景分类结果，包括：将所述测试集的遥感图像输入到优化后的所述自注意力残差网络，输出所述测试图像的分类结果，即遥感图像场景分类结果。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述场景数据集还包括验证集，所述方法还包括：在训练所述自注意力残差网络的过程中，通过所述验证集对所述自注意力残差网络进行验证，并保存验证效果最优的参数。

5.一种遥感图像场景分类装置，其特征在于，包括：

获取模块，用于获取遥感图像的场景数据集，所述场景数据集包括训练集和测试集；

预处理模块，用于通过数据增强技术对所述训练集的遥感图像进行预处理；

自注意力残差网络模块，用于通过自注意力机制对预置残差网络结构进行改进，得到自注意力残差网络；

网络训练优化模块，用于利用所述训练集对所述自注意力残差网络进行训练，并根据交叉熵损失及中心损失对所述自注意力残差网络的参数进行优化；

场景分类模块，用于根据优化后的自注意力残差网络，对测试集的遥感图像进行分类，得到遥感图像场景分类结果。

6.根据权利要求5所述的装置，其特征在于，

所述网络训练优化模块，还用于将所述训练集的遥感图像输入到所述自注意力残差网络，所述自注意力残差网络包括五个卷积阶段、自注意力机制、最大池化层、平均池化层、全连接层及分类层；

所述网络训练优化模块，还用于通过前四个卷积阶段及所述最大池化层对所述遥感图像进行处理，输出特征图；

所述网络训练优化模块，还用于通过自注意力机制对所述特征图进行处理，输出自注意力特征图；

所述网络训练优化模块，还用于通过第五个卷积阶段、所述平均池化层及所述全连接层对所述自注意力特征图进行处理，输出特征向量；

所述网络训练优化模块，还用于通过所述分类层对所述特征向量进行场景分类，输出训练图像的分类结果，所述训练图像为所述训练集中的遥感图像；

所述网络训练优化模块，还用于根据所述训练图像的真实分类概率分布与所述训练图像的分类结果的预测分类概率分布，计算得到交叉熵损失值；

所述网络训练优化模块，还用于根据所述全连接层进行降维处理，并计算得到训练样本的中心损失值，所述训练样本为所述训练集中的遥感图像样本；

所述网络训练模块，还用于根据所述交叉熵损失值、所述中心损失值及预置的权衡参数，构建得到联合损失函数；

所述网络训练模块，还用于通过所述联合损失函数对所述自注意力残差网络的参数进行优化。

7.根据权利要求6所述的装置，其特征在于，

所述场景分类模块，还用于将所述测试集的遥感图像输入到优化后的所述自注意力残差网络，输出所述测试图像的分类结果，即遥感图像场景分类结果。

8.根据权利要求4-7项中任一项所述的装置，其特征在于，所述场景数据集还包括验证集，所述装置还包括：验证模块，用于在训练所述自注意力残差网络的过程中，通过所述验证集对所述自注意力残差网络进行验证，并保存验证效果最优的参数。