1.一种基于卷积神经网络的图像语义分割方法，其特征在于，包括以下步骤：

步骤1：采用ResNet101作为骨架网络进行图像特征提取；

步骤2：采用联合特征金字塔JFP模型将ResNet101输出的后三层进行联合；

其中，ResNet101输出的最后三层分别为Block1、Block2和Block3，这三层的输出尺寸减半而深度增加一倍，将这三层的输出分别通过一个卷积，其中，卷积核尺寸为3，激活函数为ReLu，如式(1)所示：在图像边界进行1个像素值为0的填充，从而不改变输出图像的尺寸，加入批量归一化处理，采用DropOut为0.3以防止过拟合，卷积核的深度为512，使得输出的深度都变成512，然后分别通过空洞卷积率为1、2、4的3×3卷积，其中像素填充分别与空洞卷积率相同，不采用DropOut处理，其中空洞卷积率为2和4的卷积输出还要在图像边界加入2和4个像素值为0的填充，保持输出尺寸与输入的相同，再加入双线性插值，对这两个输出进行调整，使得输出的尺寸与Block1相同，由ResNet101的三层输出经过不同的卷积处理得到三个尺寸与深度相同的输出，与Block1层的输出尺寸与深度相同，最后将这三个输出与Block1的输出相加；因此JFP模型输出的特征图尺寸与Block1的输出相同，而深度为2048；

步骤3：将JFP模型的输出接入暗黑空间金字塔ASPP模型进一步提取图像的空间尺度信息；

步骤4：应用解码结构将步骤3的输出图像恢复为原始大小，完成对图像的语义分割。

2.根据权利要求1所述的基于卷积神经网络的图像语义分割方法，其特征在于：步骤1中，采用ResNet101作为骨架网络，使用预训练的模型提取图像信息。

3.根据权利要求1所述的基于卷积神经网络的图像语义分割方法，其特征在于：步骤3中，将JFP模型的输出再输入到ASPP模型；ASPP模型输出是由五个相同尺寸和深度的特征图相加得来；将JFP模型的输出作为输入，首先，应用1×1的卷积，将JFP的输出深度降为256，生成一个尺寸为(h,w)、深度为256的特征图，其中，h表示图像高度，w表示图像宽度；其次，应用空洞卷积率为6、8和10的空洞卷积，在图像边界进行6、8和10个像素值为0的填充，不改变图像尺寸，输出三个尺寸为(h,w)、深度为256的特征图；然后，应用全局池化结合1×1卷积，使用双线性插值法恢复图像尺寸，输出一个尺寸为(h,w)、深度为256的特征图；最后，由这5个输出特征图相加得到与JFP模型的输出特征图尺寸相同、深度为1280的输出；其中，卷积的激活函数为ReLu，加入了批量归一化处理。

4.根据权利要求1所述的基于卷积神经网络的图像语义分割方法，其特征在于：步骤4中，所述解码结构，采用1×1卷积、3×3卷积和1×1卷积的组合，第一个卷积将输入的深度降为256，第二个卷积作进一步特征处理，第三个卷积将深度降为21，与Pascal VOC 2012数据集的类别数相同，包括背景；最后通过双线性插值法将图像尺寸变为400×400，这个尺寸是数据集裁剪的尺寸，与最开始输入神经网络的图像尺寸保持相同；卷积的激活函数为ReLu，加入批量归一化处理，而其中3×3卷积加入了0.1的DropOut，与JFP模型中DropOut的值不同，因为设置不同的DropOut得到更好结果。

5.根据权利要求1‑4任意一项所述的基于卷积神经网络的图像语义分割方法，其特征在于：步骤1中，采用注意力模型作为辅助语义分割网络，将注意力模型的损失函数与语义分割网络的损失函数结合，辅助语义分割网络进行训练；

具体实现包括以下子步骤：

步骤1.1：将ResNet101的Block2的输出做一个1×1卷积处理，将特征图输出深度降为

21，然后进行全局池化处理，其中卷积过程的激活函数为ReLu，加入批量归一化处理，最后通过双线性插值法将输出图像尺寸变为400×400；

步骤1.2：定义语义分割网络的损失为Loss1，辅助网络的损失为Loss2；Loss1和Loss2均为SoftMax CrossEntropy损失函数所定义，为式(2)所示：其中，i∈{1,2,3…,21}，yi'为标签图像中属于第i个类的概率值，即真实分布值，yi为语义分割模型输出预测属于第i个类的概率值，即预测分布值，y由SoftMax函数定义，如式(3)所示：其中，j∈{1,2,3…,21}；

最终训练网络的损失函数为Loss总，其关系式如式(4)所示：

其中，0.5为设置辅助网络对整个模型损失函数的影响系数。