1.一种土地覆盖分类的特征增强方法，是利用深度学习平台实现分类网络的搭建，分类网络的训练包括数据集的制作及训练调参过程，其特征在于，包括如下步骤：S1、获取训练图像集和测试图像集；

S2、构造网络模型，包括建立四个下采样层，将图像数据输入模型中，逐层采样获取语义信息，并被提供给解码网络用于语义信息解码，为上采用做准备；

S3、构建解码网络，包括建立自注意特征模块、通道特征强化模块和特征融合模块；所述自注意特征模块用于获取隐藏层更多的特征信息，并将隐藏层的特征信息传递到原始特征图，获取上下文语义信息之间的依赖关系；所述通道特征强化模块用于对各通道的依赖性进行建模，以提高网络的表示能力；

S4、通过特征融合模块，将下采样过程中的不同尺寸的信息进行融合，指导骨干网络特征地图获取空间维度上隐藏层的信息，之后通过上采样恢复特征图，输出结果即为更加详细的预测图像；

S5、利用数据集对分类网络进行模型迭代训练，进行准确度测试，直至模型训练达到预想效果；

所述步骤S3中通道特征强化模块是利用特征通道之间的关系来生成通道关注图，具体流程如下：S301、通过最大池化提取特征图的纹理信息，以用来聚合要素图像中的空间信息，输入的特征图通过最大池化可以生成一个空间上下文描述符，描述符被转发到一个共享网络，通过sigmoid函数产生通道关注图，共享网络应用于每个描述符之后，通过sigmoid函数输出特征向量；

S302、对特征图进行1×1卷积，之后乘以通过sigmoid函数输出特征向量，用来完成通道维度的重新校准，最终通道特征强化模块输出通道分量；

所述步骤S3中自注意特征模块获取每个隐藏层与其上下文隐藏层之间关系的具体流程为：S303、通过1×1卷积对输入特征图进行降维；

S304、将通过1×1卷积操作之后特征图分别通过三个映射函数η，φ，γ实现尺寸为的C×H×W特征映射，特征映射分别对应查询矩阵Xq、键矩阵XK、值矩阵XV；

S305、查询矩阵Xq、键矩阵XK和值矩阵XV分别通过映射函数η、φ和γ获得，查询矩阵通过关键矩阵查询通道之间的特征信息，将键值矩阵乘以查询矩阵，对得到的特征矩阵的第一维进行归一化Softmax，得到矩阵 计算过程可表示为：S306、通过归一化Softmax之后得到的特征矩阵 的每个通道重要性被区分，将获得的值矩阵XV与包含通道重要信息的特征矩阵 相乘得到特征图，特征图通过特征映射函数μ输出检测结果图，隐藏层特征信息被传送到原始特征图，并且获得包含每个像素及其上下文像素的类别信息的特征映射；

所述步骤S4的具体流程为：

S401、低级特征向量x首先进行3×3的批量归一化和ReLU非线性激活函数，实现维数H×W×C的特征映射S402、输入高级特征向量y通过嵌入式模块SFS计算输出结果V，输入高级特征向量y进行不同卷积核大小的卷积操作，对高级特征向量y进行卷积核3×3操作之后输出特征 对高级特征向量y进行卷积核5×5的卷积操作输出 实现不同尺寸感受野的自适应调整，然后进行两个特征图的像素级融合，得到新的特征图U，计算过程如下所示：S403、特征图U通过Fgp函数生成1×1×C的特征图s，其中Fgp为全局平均池化函数，对整个网路在结构上做正则化防止过拟合，s中的第C个元素通过步骤S402中U的H×W维度上进行压缩计算得到的，计算过程如下：sC＝Fgp(UC)；

S404、特征图s通过Ffc函数生成一个紧凑的特征向量z，其中Ffc为全连接函数，使其能够进行精确和自适应的选择特征，同时减少维度以提高效率，计算过程如下：z＝Ffc(s)；

S405、特征向量z通过重塑操作调整形状变为两个全连接层的值a和值b，选择按照信道的方向使用softmax，值a和值b经过softmax之后输出两个矩阵ac和bc，ac是a的第c个元素，bc是b的第c个元素，将生成的两个函数ac和bc分别与步骤S402中高级特征向量y进行卷积核

3×3操作之后输出的特征 和对高级特征向量y进行卷积核5×5的卷积操作输出的 分别相乘得到新的特征 和新的特征S406、由于ac+bc＝1，能够实现对分支中的特征图设置权重，又因为不同的分支卷积核尺寸不同，实现了让网络自己选择合适的卷积核；对步骤S405中的输出新的特征 和新的特征 进行加权操作，然后求和得到最终的输出向量V，计算过程如下所示：S407、高级特征y进行3×3卷积、批量归一化和ReLU后，实现维数H×W×C的特征映射特征映射 与嵌入式SFS模块输出结果V相乘得到新的权重与特征映射 相加，输出融合后的特征图New，SFS(·)代表的是嵌入式SFS模块的整个计算过程，在解码的过程中使用该模块三次，计算过程如下所示：S408、特征融合模块可以融合不同尺寸的特征图，低级特征向量x输入的是来自通道特征强化模块的特征图，高级特征向量y输入的是来自自注意模块的特征图，通道特征强化模块和自注意模块的输入都是骨干网特征图，然后特征融合模块将高级层特征信息与低级特征信息进行融合以用来提高土地覆盖分割精度，输出更加精细的检测图。

2.根据权利要求1所述的一种土地覆盖分类的特征增强方法，其特征在于，所述步骤S1的具体步骤如下：S1.1、在谷歌地球上截取若干张分辨率为1500×800的大图；

S1.2、对截取图片使用labelme工具进行人工掩膜标注，标记为3种类型的对象：建筑物、水域和背景；

S1.3、对图片进行分块，将其中70％作为训练集，将30％作为验证集。

3.根据权利要求1所述的一种土地覆盖分类的特征增强方法，其特征在于，所述步骤S5的具体为：将遥感数据集输入到网络中进行训练，在训练次数达到预设阈值或测试的准确度达到目标数值后表明所搭建的网络模型已经符合要求。