1.一种用于土地覆盖分类问题的多级特征聚合方法，其特征是，包括：获取土地覆盖数据集；

将土地覆盖数据集中的训练集输入预先构建的多级特征聚合网络进行迭代训练，所述多级特征聚合网络包括编码器、解码器和全局依赖模块，所述全局依赖模块位于编码器和解码器的中间，通过学习亲和力矩阵码器和解码器的中间，获取所有位置之间的权重值并过滤冗余通道信息；

迭代训练结束后，保存训练好的最佳模型权重；

重新加载最佳模型权重，对土地覆盖数据集中的测试集预测分割结果；

所述解码器包括多级特征注意力上采样模块，双路特征提炼模块和通道阶梯细化模块，所述双路特征提炼模块通过两个不同的分支对最新的特征进行细化，并将它们与来自编码器的相邻两个阶段的特征一起输入到多级特征注意力上采样模块中完成一个上采样过程，并将上采样结果发送到下一个双路特征提炼模块，所述多级特征注意力上采样模块利用两个嵌套着的通道注意力从多级特征中恢复对高分辨率遥感影像的定位信息，所述通道阶梯细化模块放置在最后一次上采样之前，通过递减通道数，逐步细化已恢复的高分辨率特征图，在最后一次上采样后生成预测分割图；

所述全局依赖模块的处理流程为：

输入特征图X；

对输入特征图X使用最大池化操作，得到输出M；

对输入特征图X使用卷积1和卷积4进行计算变形，分别得到结果V和结果对输出M使用卷积2和卷积3进行计算变形，得到结果T和结果G；

将结果V和结果T进行矩阵乘法运算后，通过Sigmoid激活函数得到结果S；

将结果S和结果G相乘，得到结果Y；

将结果Y和结果 进行残差连接，得到最终输出特征Z；

所述全局依赖模块的核心操作为：

其中，[i,j]、[m,q]、[x,j]均为输入特征图X中像素点的坐标，即索引位置；Y表示索引位置[m,q]对应的输出；X[m,q]表示在输入特征图X的索引位置[m,q]上的值；X[x,j]表示在输入特征图X的索引位置[x,j]上的值；X[i,j]表示在输入特征图X的索引位置[i,j]上的值；一元函数g(·)表示计算位置[i,j]处输入的表示；成对函数f(X[m,q],X[x,j]))表示计算[m,q]和所有[x,j]之间的标量，f(X[m,q],X[x,j]))的取值范围为0～1。

2.根据权利要求1所述的用于土地覆盖分类问题的多级特征聚合方法，其特征是，所述土地覆盖数据集为将高分辨率遥感图像从左到右从上到下不重叠裁剪为512×512尺寸大小的图片后，按照7:2:1的比例随机划分图片成的训练集、验证集和测试集。

3.根据权利要求1所述的用于土地覆盖分类问题的多级特征聚合方法，其特征是，所述多级特征注意力上采样模块有低级特征、高级特征和最新特征三个输入，所述低级特征和高级特征来源于编码器的相邻层级的特征，所述最新特征是全局依赖模块或上一个多级特征注意力上采样模块生成的特征。

4.根据权利要求3所述的用于土地覆盖分类问题的多级特征聚合方法，其特征是，所述多级特征注意力上采样模块的处理流程为：对低级特征执行具有批处理归一化和ReLU非线性激活的一个3×3卷积，同时保持特征图的大小和通道数不变；

将处理后的低级特征乘以一个通过对相邻的高级特征执行一个具有Sigmoi d非线性激活的1×1卷积生成的全局上下文向量，得到加权后的低级特征；

将上采样后的高级特征与加权后的低级特征相加，得到第一阶段生成特征；

将第一阶段生成特征与由最新特征生成的全局上下文向量相乘；

将上采样后的最新特征与加权后的最新特征特征相加，得到下一个最新特征。

5.根据权利要求1所述的用于土地覆盖分类问题的多级特征聚合方法，其特征是，所述双路特征提炼模块具有两个支路，其中第一个支路使用深度可分离卷积来提炼输入一半的特征，所述第一个支路采用两层的卷积组合代替一个完整的标准卷积层，其中第一层的卷积通过对每个输入通道应用单个卷积滤波器来执行轻量级滤波，第二层是1×1卷积负责通过计算输入通道的线性组合来构建新特征，第二个支路使用通道阶梯细化结构来得到另外一半的特征。

6.一种用于土地覆盖分类问题的多级特征聚合系统，其特征是，包括：数据获取模块：用于获取土地覆盖数据集；

迭代训练模块：用于将土地覆盖数据集中的训练集输入预先构建的多级特征聚合网络进行迭代训练，所述多级特征聚合网络包括编码器、解码器和全局依赖模块，所述全局依赖模块位于编码器和解码器的中间，通过学习亲和力矩阵码器和解码器的中间，获取所有位置之间的权重值并过滤冗余通道信息；

模型权重保存模块：用于迭代训练结束后，保存训练好的最佳模型权重；

分割结果预测模块：用于重新加载最佳模型权重，对土地覆盖数据集中的测试集预测分割结果；

在所述迭代训练模块中，所述全局依赖模块的处理流程为：

输入特征图X；

对输入特征图X使用最大池化操作，得到输出M；

对输入特征图X使用卷积1和卷积4进行计算变形，分别得到结果V和结果对输出M使用卷积2和卷积3进行计算变形，得到结果T和结果G；

将结果V和结果T进行矩阵乘法运算后，通过Sigmoid激活函数得到结果S；

将结果S和结果G相乘，得到结果Y；

将结果Y和结果 进行残差连接，得到最终输出特征Z；

所述全局依赖模块的核心操作为：

其中，[i,j]、[m,q]、[x,j]均为输入特征图X中像素点的坐标，即索引位置；Y表示索引位置[m,q]对应的输出；X[m,q]表示在输入特征图X的索引位置[m,q]上的值；X[x,j]表示在输入特征图X的索引位置[x,j]上的值；X[i,j]表示在输入特征图X的索引位置[i,j]上的值；一元函数g(·)表示计算位置[i,j]处输入的表示；成对函数f(X[m,q],X[x,j]))表示计算[m,q]和所有[x,j]之间的标量，f(X[m,q],X[x,j]))的取值范围为0～1。

7.一种用于土地覆盖分类问题的多级特征聚合装置，其特征是，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1～5任一项所述方法的步骤。

8.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～5任一项所述方法的步骤。