1.基于各向异性上下文网络高分辨率遥感图像语义分割方法，其特征在于：包括如下步骤：将高分辨率遥感图像输入预置的用于遥感图像分割的各向异性上下文融合网络模型，获得高分辨率遥感图像的语义分割图；

预置用于遥感图像分割的各向异性上下文融合网络模型，包括：构建高分辨率遥感图像语义分割模型；

获取用作训练数据集的高分辨率遥感图像，并标注语义分割图；

构建高分辨率遥感图像分割的各向异性上下文网络模型，并设计基干网络和各向异性上下文聚合模块，捕获不同尺度目标的上下文特征信息；

构建用于优化各向异性上下文网络模型参数学习的目标函数，预设各向异性上下文网络模型的训练超参；

将训练超参输入各向异性上下文网络模型中，依据目标函数，通过Adam优化器更新迭代各向异性上下文网络模型至收敛状态；

构建高分辨率遥感图像分割的各向异性上下文网络模型，设计基干网络和各向异性上下文聚合模块，捕获不同尺度目标的上下文特征信息，包括：切分高分辨率遥感图像，并送至基干网络提取特征编码，构造特征图；

将特征图输入至各向异性上下文聚合模块，进行并行空洞卷积操作和复合池化操作，并将输出结果进行拼接；

各向异性上下文聚合模块包括并行空洞卷积模块和复合池化模块；

并行空洞卷积模块包括多条并行支路：

残差连接支路、最大池化支路以及三条串行叠加的空洞卷积支路；

空洞卷积率设置为锯齿状结构，分别为1至1、2至1、2、5；

复合池化操作，包括：

通过条状池化模型获取不同位置之间的远程上下文依赖关系：将特征图输入至水平条状池化路径和垂直条状池化路径，进行池化操作，分别得到水平条状池化后的特征图和垂直条状池化后的特征图；

将水平条状池化后的特征图和垂直条状池化后的特征图上采样到输入时尺寸，进行特征图融合，获取条状池化特征图；

通过空间金字塔池化模型获取不同位置之间的短程上下文依赖关系：基于空间金字塔池化模型收集短程依赖关系，获取大小不同的特征图；

通过上采样的方式将大小不同的特征图恢复至输入尺寸，获取空间金字塔池化特征图；

将条状池化特征图和空间金字塔池化特征图映射连接，获取高分辨率遥感图像中各向异性目标分布的语义信息。

2.根据权利要求1所述的基于各向异性上下文网络高分辨率遥感图像语义分割方法，其特征在于：将输出结果进行拼接，包括：

将复合条状池化操作与并行卷积操作的输出结果及进行拼接，将拼接后得到的特征图通过转置卷积进行若干次上采样，将特征图恢复至输入时的尺寸，获得最终的语义分割图。

3.根据权利要求1所述的基于各向异性上下文网络高分辨率遥感图像语义分割方法，其特征在于：目标函数包括交叉熵损失函数： ；

其中，N为类别总数； 为第i个目标类别的特征值；yi为第i个目标类别的预测值；θ为需要优化的参数；

各向异性上下文网络模型的训练超参包括：

模型学习率、迭代次数、训练批次大小、网络模型的深度与层数，以及激活函数的类别。

4.根据权利要求1所述的基于各向异性上下文网络高分辨率遥感图像语义分割方法，其特征在于：将训练超参输入各向异性上下文网络模型中，依据目标函数，通过Adam优化器更新迭代各向异性上下文网络模型，包括：将训练数据集中的所有高分辨率遥感图像进行下述操作，并进行L次迭代，其中L为训练超参中的迭代次数：初始化各向异性上下文网络模型中的各个神经网络模块；

高分辨率遥感图像输入至各向异性上下文网络模型，获取对应的输出向量；

基于反向传播算法更新各向异性上下文网络模型中各个神经网络模块的网络参数：ω←ω+α·Adam(ω,dω)；

其中，ω为各向异性上下文网络模型中各个神经网络模块的网络参数；α为模型学习率；Adam为梯度下降算法；dω为网络参数ω的梯度更新。

5.根据权利要求1所述的基于各向异性上下文网络高分辨率遥感图像语义分割方法，其特征在于：各向异性上下文网络模型在更新迭代时的收敛判定条件，包括：各向异性上下文网络模型在更新迭代时，若目标函数值减小并趋于定值，则判定收敛。