1.一种基于多尺度解码网络的遥感图像语义分割方法，其特征在于：包括以下步骤：(1)将用来训练的高分辨率的遥感图像和其对应的标签图随机切割成256×256像素的小图像，切割的图片分为两部分，一部分作为网络的训练集，另一部分作为验证集；

(2)网络结构分为编码和多尺度解码两部分，以分类网络的VGG16的前16层作为编码网络，多尺度解码网络由反池化路径、反卷积路径、空洞卷积路径三个路径构成，通过反池化路径、反卷积路径将编码信息分辨率扩大一倍，将其与空洞卷积的结果进行通道连接，通过反卷积上采样将特征图像恢复到原始尺寸，再将输出标签图输入PPB模块进行多尺度聚合处理，最后以交叉熵为损失函数，通过随机梯度下降的方式来更新网络参数；

PPB模块：将输出特征通过3×3的卷积处理后分别进行4倍，8倍 ，16倍，32倍全局平均池化，构建4个池化金字塔，最后用1×1卷积降维，通过softmax层输出预测标签映射；

(3)将测试图片顺序切割成256×256像素的小图像输入到神经网络预测其对应的标签图，再将标签图拼接成原始大小；

步骤(2)包括以下子步骤：

(1.1)将高像素的遥感图像随机裁剪成指定大小的图像碎片；

(1.2)采用VGG网络的前16层作为编码网络来提取预处理图像碎片的语义特征；

步骤(2)还包括以下子步骤：

(2.1)采用反卷积和反池化来恢复特征图像的大小，将反卷积与反池化相结合来上采样，在VGG网络的第五次池化后面加上反池化，再用3×3和1×1的卷积来得到第一个特征图；

(2.2)在VGG网络的第五次池化后面接上3×3和1×1的卷积，然后再用步长为2的4×4的反卷积扩张特征图的大小，再根据第一个特征图的大小对其进行裁剪得到第二个特征图，在VGG网络的第四次池化后，用3个空洞率为2的3×3的卷积来生成第三个特征图；

(2.3)将3个路径产生的特征图连接起来，整合不同尺度的信息，作为解码网络让模型自己选择最优的组合；之后用步长16的32×32的卷积将特征图恢复到原始大小，通过softmax层输出预测标签，得到语义分割图像。

2.根据权利要求1所述的一种基于多尺度解码网络的遥感图像语义分割方法，其特征在于：预测标签的制作方法包括以下步骤：(3.1)对解码的标签做3×3的卷积，把得到的特征图通过不同尺度的全局平均池化进行下采样；

(3.2)对下采样结果上采样，用深度连接的方式聚合成一个特征张量；

(3.3)用1×1卷积降维得到预测标签。

3.根据权利要求1所述的一种基于多尺度解码网络的遥感图像语义分割方法，其特征在于：采用一台具有Intel Core‑i5 中央处理器和4G字节内存的计算机并用Matlab语言搭建多尺度解码网络的遥感图像语义分割的算法框架。

4.根据权利要求1所述的一种基于多尺度解码网络的遥感图像语义分割方法，其特征在于：采用交叉熵作为损失函数，通过动量为0.9的随机梯度下降来更新参数。