1.一种基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，包括如下步骤：

S1：构建道路提取模型，所述道路提取模型为可同时提取道路特征信息和建筑物特征信息的双通道深度神经网络；所述双通道深度神经网络包括道路特征信息提取分支、建筑物特征信息提取分支、特征融合分支、特征解码模块、分割分支和连通分支；

所述道路特征信息提取分支为卷积神经网络，用于提取道路特征信息；

所述建筑物特征信息提取分支为卷积‑变换神经网络，用于提取建筑物特征信息；

所述特征融合分支为基于融合通道和空间注意力的注意力模块CBAM以及相斥策略的特征融合模块，用于实现道路特征信息提取分支和建筑物特征信息提取分支所输出特征的融合；

所述特征解码模块包括两个解码部分，分别是道路特征解码部分和建筑物特征解码部分，用于解码特征信息，恢复特征图的分辨率，得到解码后的道路预测特征图和解码后的建筑物预测特征图；

所述分割分支和连通分支并列连接在道路特征解码部分后面，分割分支用于计算分割分支的损失函数以及输出分割分支的道路分割预测特征图，连通分支用于计算连通分支的损失函数和输出连通分支的连通预测特征图；分割分支输出的道路分割预测特征图与连通分支输出的连通预测特征图根据逐元素相加进行拼接后得到最终的道路预测特征图；

S2：利用公开数据集进行裁剪作为所述道路提取模型的训练集和测试集；

S3：使用训练集和测试集对所述道路提取模型进行训练，根据连通分支和分割分支输出的连通预测特征图和道路分割预测特征图分别与真实连通标签和真实道路标签进行损失计算，得到道路损失，根据建筑物特征解码部分输出的建筑物预测特征图与真实建筑物标签进行损失计算，得到建筑物损失，并将道路损失与建筑物损失相加得到网络的总损失，最后将总损失进行反向传播，优化模型的参数，完成模型训练；

S4：使用训练完成的道路提取模型从遥感图像中提取道路。

2.根据权利要求1所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述卷积神经网络包括五个阶段，分别是第一阶段、第二阶段、第三阶段、第四阶段和第五阶段，五个阶段均为卷积模块层；第一阶段的卷积模块层包括卷积层、批归一化层BN、激活函数ReLU和最大池化层；第二阶段、第三阶段、第四阶段和第五阶段的卷积模块层均由残差模块组成，残差模块包括依次连接的卷积层、批归一化层BN、激活函数ReLU、卷积层、批归一化层BN、激活函数ReLU、卷积层、批归一化层BN和激活函数ReLU；第二阶段、第三阶段、第四阶段和第五阶段分别对残差模块自身堆叠3层、4层、23层和3层。

3.根据权利要求1所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述卷积‑变换神经网络包括五个阶段，第一阶段为卷积模块层，第二阶段、第三阶段、第四阶段均为预激活瓶颈模块层，第五阶段为变换模块层；第一阶段的卷积模块层包括依次连接的卷积层、组归一化GN和激活函数ReLU；所述预激活瓶颈模块层包括依次交替的3组卷积层、组归一化GN和激活函数ReLU，其中，预激活瓶颈模块层的输入与第三个组归一化GN的输出根据逐元素相加进行拼接后再经第三个激活函数ReLU获得预激活瓶颈模块层的输出；所述变换模块层由嵌入模块层和12个依次堆叠的Transformer层组成。

4.根据权利要求3所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述嵌入模块层包括卷积层、降维函数、转置函数和正则化，其中嵌入模块层的输入与转置函数的输出根据逐元素相加进行拼接后再经正则化作为嵌入模块层的输出；所述Transformer层包括依次连接的第一个层归一化机制、多头自注意力机制MSA、第二个层归一化机制和多层感知器MLP，其中，每个Transformer层的输入与自身多头自注意力机制MSA的输出根据逐元素相加进行拼接后再输入到第二个层归一化机制中，并与多层感知器MLP的输出根据逐元素相加进行拼接作为所述Transformer层的输出，嵌入模块层的输出作为第一个Transformer层的输入，第一个Transformer层的输出作为第二个Transformer层的输入，经过12次依续后获得第十二个Transformer层的输出作为最终变换模块层的输出。

5.根据权利要求1所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述基于融合通道和空间注意力的注意力模块CBAM以及相斥策略的特征融合模块包括1层卷积层和1个CBAM模块，所述CBAM模块包括7个通道注意力模块和7个空间注意力模块，所述通道注意力模块包括最大池化层、平均池化层、多层感知器MLP和sigmoid函数，所述多层感知器MLP包括卷积层、激活函数ReLU、卷积层；所述空间注意力模块包括最大池化层、平均池化层、卷积层和sigmoid函数。

6.根据权利要求5所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，根据基于融合通道和空间注意力的注意力模块CBAM以及相斥策略的特征融合模块融合特征图的计算公式如下：；

；

；

；

；

其中， 为通道注意力模块， 为sigmoid函数， 为多层感知器， 为

平均池化层， 为最大池化层， 为多层感知器MLP的隐藏层， 为多层感知器MLP的激活函数， 为输入特征， 为平均池化特征， 为最大池化特征， 为通道注意力模块特征， 为逐元素相乘法， 为空间注意力模块， 为卷积层， 为空间注意力模块特征， 为融合特征， 为经过通道注意力模块和空间注意力模块的道路特征，为经过通道注意力模块和空间注意力模块的建筑物特征。

7.根据权利要求1所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述道路特征解码部分由解码模块层Ⅰ构成，所述解码模块层Ⅰ包括解码模块层Ⅰ1、解码模块层Ⅰ2、解码模块层Ⅰ3、解码模块层Ⅰ4，所述解码模块层Ⅰ1由第一条状卷积模块层和第一卷积模块层Ⅰ11构成，所述解码模块层Ⅰ2由第二条状卷积模块层和第二卷积模块层Ⅰ21构成，所述解码模块层Ⅰ3由第三条状卷积模块层和第三卷积模块层Ⅰ31构成，所述解码模块层Ⅰ4由第四条状卷积模块层和一个上采样构成；所述第一条状卷积模块层、第二条状卷积模块层、第三条状卷积模块层和第四条状卷积模块层均先通过卷积层、批归一化层BN、激活函数ReLU对特征图进行特征提取、批量归一化运算以及非线性变换，再通过2次不同卷积核大小以及填充的卷积层、水平变换模块、垂直变换模块分别从水平、竖直、左对角线和右对角线提取特征图中的信息，将2次不同卷积层、水平变换模块、垂直变换模块得到的特征图沿通道方向拼接，再通过批归一化层BN、激活函数ReLU进行批量归一化运算和非线性变换，最后通过卷积层、批归一化层BN、激活函数ReLU进行特征提取、批量归一化运算和非线性变换获得输出特征图；所述第一卷积模块层Ⅰ11、第二卷积模块层Ⅰ21和第三卷积模块层Ⅰ31均包含卷积层、批归一化层BN和激活函数ReLU。

8.根据权利要求1所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述建筑物特征解码部分由解码模块层Ⅱ和一个上采样构成，所述解码模块层Ⅱ包括卷积模块层Ⅱ1、卷积模块层Ⅱ2、卷积模块层Ⅱ3，所述卷积模块层Ⅱ1包括卷积层、激活函数ReLU、上采样、卷积层和激活函数ReLU，所述卷积模块层Ⅱ2包括上采样、卷积层和激活函数ReLU，所述卷积模块层Ⅱ3包括上采样、卷积层和激活函数ReLU。

9. 根据权利要求1所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述基于融合通道和空间注意力的注意力模块CBAM以及相斥策略的特征融合模块与道路特征解码部分之间还设有空洞空间卷积池化金字塔ASPP，用于增加特征点的接受域；

所述空洞空间卷积池化金字塔ASPP包括Conv 1×1卷积层、扩张率为6的Conv 3×3卷积层、扩张率为12的Conv 3×3卷积层、扩张率为18的Conv 3×3卷积层、自适应平均池化，自适应平均池化后接卷积层、批归一化层BN、激活函数ReLU和插值操作，四个不同扩张率的卷积层和插值操作的输出进行沿通道拼接后再经卷积层、批归一化层BN进行特征提取、批量归一化运算，然后经激活函数ReLU和正则化进行非线性变换以及防止过拟合，最终获得空洞空间卷积池化金字塔ASPP的输出。

10.根据权利要求1所述的基于双通道深度神经网络的遥感图像道路提取方法，其特征在于，所述分割分支是由卷积层、ReLU激活函数和卷积层构成的卷积模块层，分割分支用于计算分割分支的损失函数以及输出分割分支对应的道路分割预测特征图；所述连通分支是由2个连接卷积层、2个压缩和激励网络SE构成；所述连通分支中第一个连接卷积层由卷积层、ReLU激活函数和卷积层构成，第二个连接卷积层由卷积层、ReLU激活函数和扩张率为3的卷积层构成，所述压缩和激励网络SE均由平均池化层、全连接层、ReLU激活函数、全连接层和sigmoid函数构成；连通分支用于计算连通分支的损失函数以及输出连通分支对应的连通预测特征图。