1.一种基于深度学习网络架构的卫星图像云目标提取方法，其特征在于，包括以下步骤：

S10，获取云目标卫星图像数据，对云目标卫星图像数据进行预处理，获取带有像素标注的云目标卫星图像数据集，并按比例划分成训练数据集和验证数据集；

S20，构建初始提取网络，利用训练数据集对初始提取网络进行训练，将训练后的深度学习网络作为卫星图像云目标提取网络；

S30，利用验证数据集验证卫星图像云目标提取网络，获得卫星图像云目标提取结果；

初始提取网络由输入层、编码器层、解码器层、Conv2R层、平均插值处理层和输出层构成；

其中Conv2R层由二维卷积和修正线性激活函数层构成，解码器层由DecoderL块和二维上采样层构成，DecoderL块由1个连接层、2个Conv2R层和1个注意机制块构成；

编码器层包括第一编码器层、第二编码器层、第三编码器层、第四编码器层和第五编码器层；

解码器层包括第一解码器层、第二解码器层、第三解码器层和第四解码器层，第一解码器层包括1个DecoderL块和1个二维上采样层，第二解码器层包括2个DecoderL块和2个二维上采样层，第三解码器层包括3个DecoderL块和3个二维上采样层，第四解码器层包括4个DecoderL块和4个二维上采样层；

构建初始提取网络包括：

将输入层作为输入端，将输入层依次连接第一编码器层、第二编码器层、第三编码器层、第四编码器层和第五编码器层，将第五编码器层的输出端依次连接第一解码器层中二维上采样层Up11和DecoderL11块；

将第四编码器层的输出端分别连接DecoderL11块的输入端和第二解码器层中二维上采样层Up21的输入端；

将第三编码器层的输出端分别连接第二解码器层中DecoderL21块的输入端、DecoderL22块的输入端和第三解码器层中二维上采样层Up31的输入端；

将第二编码器层的输出端分别连接第三解码器层中DecoderL31块的输入端、DecoderL32块的输入端、DecoderL33块的输入端和第四解码器层中二维上采样层Up41的输入端；

将第一编码器层的输出端分别连接第四解码器层中DecoderL41块的输入端、DecoderL42块的输入端、DecoderL43块的输入端和DecoderL44块的输入端；

将DecoderL11块的输出端连接第二解码器层中二维上采样层Up22的输入端；

将二维上采样层Up21的输出端连接DecoderL21块的输入端，将二维上采样层Up22的输出端连接DecoderL22块的输入端，将DecoderL21块的输出端分别连接DecoderL22块的输入端和第三解码器层中二维上采样层Up32的输入端，将DecoderL22块的输出端连接第三解码器层中二维上采样层Up33的输入端；

将二维上采样层Up31的输出端连接DecoderL31块的输入端，将二维上采样层Up32的输出端连接DecoderL32块的输入端，将二维上采样层Up33的输出端连接DecoderL33块的输入端，将DecoderL31块的输出端分别连接DecoderL32块的输入端和第四解码器层中二维上采样层Up42的输入端，将DecoderL32块的输出端分别连接DecoderL33块的输入端和第四解码器层中二维上采样层Up43的输入端，将DecoderL33块的输出端连接第四解码器层中二维上采样层Up44的输入端；

将二维上采样层Up41的输出端连接DecoderL41块的输入端，将二维上采样层Up42的输出端连接DecoderL42块的输入端，将二维上采样层Up43的输出端连接DecoderL43块的输入端，将二维上采样层Up44的输出端连接DecoderL44块的输入端，将DecoderL41块的输出端分别连接DecoderL42块的输入端和Conv2R1层的输入端，将DecoderL42块的输出端分别连接DecoderL43块的输入端和Conv2R2层的输入端，将DecoderL43块的输出端分别连接DecoderL44块的输入端和Conv2R3层的输入端，将DecoderL44块的输出端连接Conv2R4层的输入端；

将Conv2R1层、Conv2R2层、Conv2R3层和Conv2R4层的输出端分别连接平均插值处理层的输入端，将平均插值处理层的输出端连接输出层。

2.根据权利要求1所述的卫星图像云目标提取方法，其特征在于，对云目标卫星图像数据进行预处理包括：对云目标卫星图像数据进行裁剪，将裁剪后的云目标卫星图像数据块依次进行移位、缩放、旋转、添加噪声、亮度调整、水平翻转和垂直翻转转换操作。

3.根据权利要求1所述的卫星图像云目标提取方法，其特征在于，利用训练数据集对初始提取网络进行训练包括以下步骤：S201，设置训练起始学习率、最大学习率、训练批量数及训练轮次数；

S202，采用K‑means聚类算法迭代求解，通过L2范数正则化防止网络过拟合；

S203，利用周期学习率策略更新学习率；

S204，使用梯度优化算法Adam对网络训练进行优化，优化过程中使用骰子损失Dice作为损失函数，计算公式如下：式中，D表示Dice损失值，N表示训练数据集样本数，pi表示训练数据集第i个样本提取掩膜的像素值，gi表示训练数据集第i个样本提取掩膜的真实像素值，i＝1，2，3，...，N；

S205，重复步骤S202至S204，直到初始提取网络收敛，获得初始提取网络模型和权值，保存权值。