1.一种基于深度学习的遥感影像养殖区域提取方法，其特征在于，包括：

S1、获取若干景高分二号遥感图像数据；

S2、对遥感图像数据进行遥感图像预处理，包括地理校正、辐射定标、大气校正和图像裁剪；

S3、针对不同养殖区域对S2中图像裁剪后的数据进行标注,对标注后的数据按照8:2的比例分割成训练集、验证集；

S4、基于训练集构建深层神经网络模型；

S5、将验证集输入S4中训练完毕的深层神经网络模型中，得到分类后的养殖区域结果；

S4中，构建深层神经网络结构包括使用残差层增加训练梯度、使用空洞金字塔池化获取多尺度信息和导入输出层还原分类结果；

对深层神经网络模型设置超参数，基于训练集对深层神经网络模型进行训练，使用随机梯度下降算法迭代求解能最小化损失函数的网络参数；

S4中，深层神经网络模型包括残差层、空洞金字塔和输出层；

480×480×3的图像为输入时，将图像输入残差层进行四次下采样，提升图像的通道数且增加特征数量，得到60×60×2048的第一特征图，将第一特征图输入空洞金字塔提取并融合特征，得到60×60×256的第二特征图，将第二特征图输入到输出层得到60×60×num_class的分类后图像，再进行二次线性插值得到480×480×num_class的图像，即为对养殖区域的分类预测结果；

S4中，所述残差层使用残差网络对输入图像进行特征提取，分为五层：

在第一层中，使用0对图像进行3×3填充，然后使用7×7的卷积核，选取步长为2对图像进行卷积，使图像下采样到原本尺寸的1/2，并将通道数扩充至64，之后对图像进行最大池化，进一步将图像下采样至原本尺寸的1/4；

第二层由三个结构相同的残差单元构成，该残差单元首先使用1×1的卷积核将图像通道数下降为64，然后使用3×3的卷积核提取图像特征信息，最后使用1×1的卷积核将图像通道数扩展为256，并计算残差作为输出；

在三个相同的残差单元中重复三次，该层中所有卷积均设置步长为1，输出尺寸仍为原图像尺寸1/4，通道数为256的图像；

第三层由四个结构相同的残差单元构成，该残差单元首先使用1×1的卷积核将图像通道数下降至128，然后使用3×3的卷积提取图像特征，最后使用1×1的卷积核将图像通道数设置为512，并计算残差作为输出；

在四个相同的残差单元中重复四次，其中第一个残差单元中卷积步长设置为2，输出图像下采样为原图尺寸的1/8，通道数为512；

第四层由一个瓶颈层和五个相同的残差单元构成，瓶颈层首先使用1×1的卷积核将图像通道数下降至256，然后使用膨胀系数为1的3×3的卷积提取图像特征，最后使用1×1的卷积核将图像通道数提升为1024，并计算残差作为输出；

残差单元首先使用1×1的卷积核将图像通道数下降至256，然后使用膨胀系数为2的3×3的卷积核做膨胀卷积提取更大尺度图像特征，最后使用1×1的卷积核将图像通道数设置为1024，并计算残差作为输出，在五个相同的残差单元中重复五次，没有进一步下采样，输出图像为原图尺寸的1/8，通道数为1024；

第五层由一个瓶颈层和两个相同的残差单元构成，瓶颈层首先使用1×1的卷积核将图像通道数下降至512，然后使用膨胀系数为2的3×3的卷积核进行膨胀卷积进一步提取图像特征，最后使用1×1的卷积核将图像通道数提升为2048，并计算残差作为输出；

残差单元首先使用1×1的卷积核将图像通道数下降至512，然后使用膨胀系数为4的3×3的卷积核做膨胀卷积提取更大尺度图像特征，最后使用1×1的卷积核将图像通道数设置为2048，并计算残差作为输出，在两个相同的残差单元中重复两次，没有进一步下采样，输出图像为原图尺寸的1/8，通道数为2048。

2.如权利要求1所述的一种基于深度学习的遥感影像养殖区域提取方法，其特征在于，S3中，使用多边形标注工具进行标注，根据不同养殖区域的特征将养殖区域分为三类，对于非目标的其他像素统一标注为一类。

3.如权利要求2所述的一种基于深度学习的遥感影像养殖区域提取方法，其特征在于，S4中，空洞金字塔包括五个并行的分支：第一分支由无填充、膨胀系数为1、步长为1的1×1卷积层构成；

第二分支使用0对图像进行12×12填充，然后使用3×3的卷积核，选取步长为1，膨胀系数为12对图像进行膨胀卷积；

第三分支使用0对图像进行24×24填充，然后使用3×3的卷积核，选取步长为1，膨胀系数为24对图像进行膨胀卷积；

第四分支使用0对图像进行36×36填充，然后使用3×3的卷积核，选取步长为1，膨胀系数为36对图像进行膨胀卷积；

第五分支对输入图像进行全局平均池化提取每个通道上的高层信息，之后使用二次线性插值将图像尺寸还原。

4.如权利要求3所述的一种基于深度学习的遥感影像养殖区域提取方法，其特征在于，S4中，输出层首先使用3×3的卷积将空洞金字塔输出的五个并行的分支连接成为一个尺寸为原图1/8，通道数为1280的特征图像，之后使用一个1×1卷积，改变输出通道数为num_class，再将num_class张特征图使用二次线性插值的方式将图像上采样八倍得到和输入图像尺寸一致的分类结果图。

5.如权利要求4所述的一种基于深度学习的遥感影像养殖区域提取方法，其特征在于，所有卷积层均采用relu激活函数。

6.如权利要求5所述的一种基于深度学习的遥感影像养殖区域提取方法，其特征在于，残差的定义为：res=f(x)+x，其中，res表示残差值，f(x)表示卷积层输出值，x表示卷积层输入值。