1.一种基于通道注意力特征融合的遥感图像语义分割方法，其特征在于，所述基于通道注意力特征融合的遥感图像语义分割方法，包括：将待预测的遥感图像输入特征提取模块，提取四个尺度的初始特征{F1,F2,F3,F4}；

将提取到的特征F4输入全局信息模块，扩大感受野并充分利用全局上下文信息，输出相同的特征 和将特征 与初始特征{F3,F2,F1}依次通过注意力融合模块，逐步获得多尺度通道注意力融合后的特征将特征 与注意力融合后的特征 依次通过注意力解码模块，逐步获得解码后的特征

将解码后的最后一个特征 通过卷积和上采样，然后使用Softmax分类器获得最终的语义分割结果。

2.根据权利要求1所述的基于通道注意力特征融合的遥感图像语义分割方法，其特征在于，所述特征提取模块采用ResNet‑50骨干网络，在输入待预测的遥感图像尺寸为896×

896×3时，提取四个初始特征{F1,F2,F3,F4}的尺度分别为：224×224×256，112×112×

256，56×56×1024，28×28×2048。

3.根据权利要求2所述的基于通道注意力特征融合的遥感图像语义分割方法，其特征在于，所述将提取到的特征F4输入全局信息模块，扩大感受野并充分利用全局上下文信息，输出相同的特征 和 包括：S21.将特征F4分别通过目标大小分别为1，3和6的三个平均池化层，得到三个不同尺寸的特征图 尺度分别为1×1×2048，3×3×2048，6×6×2048；

S22.将特征图 分别通过1×1的卷积核，进行通道的压缩以去除冗余的通道信息，再进行上采样至F4相同大小，得到特征图 尺度均为28×28×

256；

S23.将三个特征图 进行通道维度上的拼接，得到尺度为28×28×768的特征

S24.将特征 通过1×1的卷积核，把通道数降低至256，获得糅合了多种尺度的复合特征图 和 两者完全相同，尺度为28×28×256。

4.根据权利要求1所述的基于通道注意力特征融合的遥感图像语义分割方法，其特征在于，所述将特征 与初始特征{F3,F2,F1}依次通过注意力融合模块，逐步获得多尺度通道注意力融合后的特征 包括：将初始特征{F3,F2,F1}分别输入到各自对应的注意力融合模块，初始特征F3与特征进行注意力融合，得到融合后的特征 初始特征F2与特征 进行注意力融合，得到融合后的特征 初始特征F1与特征 进行注意力融合，得到融合后的特征

5.根据权利要求4所述的基于通道注意力特征融合的遥感图像语义分割方法，其特征在于，所述注意力融合模块，执行如下操作：S31.以 表示注意力融合模块输入的上一级特征，以Fi表述注意力融合模块输入的初始特征；

S32、将 进行双线性插值上采样得到 Fi通过1×1的卷积核进行通道数量降低得到 然后进行元素相加，获得特征S33.将特征 分别进行全局和局部的上下文信息提取操作，获取全局的上下文信息 和局部的上下文信息S34.将 和 进行广播机制的加法，并使用Sigmoid函数进行激活，得到多尺度通道注意力权重S35.将权重 与特征 通过元素相乘进行权重平均，得到注意力融合模块的输出

6.根据权利要求1所述的基于通道注意力特征融合的遥感图像语义分割方法，其特征在于，所述将特征 与注意力融合后的特征 依次通过注意力解码模块，逐步获得解码后的特征 包括：将注意力融合后的特征 分别输入到各自对应的注意力解码模块，特征与特征 进行注意力解码，得到解码后的特征 特征 与特征 进行注意力解码，得到解码后的特征 特征 与特征 进行注意力解码，得到解码后的特征

7.根据权利要求6所述的基于通道注意力特征融合的遥感图像语义分割方法，其特征在于，所述注意力解码模块，执行如下操作：S41.以 表示注意力解码模块输入的上一级特征，以 表述注意力解码模块输入的注意力融合后的特征；

S42.将 通过双线性插值上采样至与 相同大小，生成特征S43.将特征 和 都通过全局平均池化操作和一个线性层，生成特征向量 和S44.对特征向量 和 求平均值并使用Sigmoid函数激活，获得表示通道重要性的注意力图，与特征 元素相乘用于生成重新校准的特征S45.将重新校准的特征 与特征 拼接，并通过1×1卷积核恢复通道数，得到输出