1.一种基于生成式对抗网络的遥感图像半监督语义分割方法，其特征在于，包括如下步骤：S10，搭建初始生成式对抗分割网络；

S20，构建训练数据集，根据所述训练数据集训练所述初始生成式对抗分割网络，得到优化生成式对抗分割网络；

S30，将待测图像输入所述优化生成式对抗分割网络进行语义分割；

所述根据所述训练数据集训练所述初始生成式对抗分割网络包括：S221，输入训练数据集裁剪后的RGB图与标签图，在训练过程中先用一部分RGB图和其对应的标签图做监督训练，然后采用剩下的RGB图不使用标签图进行训练；

S222，RGB图经过生成器处理得到预测概率图S(Xn)；

S223，将标注图通过独热编码获得编码向量Yn；

S224，采用Lce损失函数计算模型预测概率图与真实标注概率图的误差，由不同尺寸的RGB图经过分割网络得到不同的损失函数Lce，将各个损失函数Lce融合在一起得到损失函数Lmulti；

S225，在使用有对应标注的RGB图像时，根据从标注图像得到的编码向量Yn；使用Ladv训练生成器来欺骗鉴别器，通过最小化LD的值进行训练；于LD，如果样本来自于生成器，指示参(h，w)数yn取0，如果样本来自于标注图，指示参数yn取1；如果像素点Xn 属于标注的类别的话，(h,w,c)Yn 的值取1，反之取0；通过反向传播来学习Lmulti、Ladv，由鉴别器通过对抗训练得到置信图D(S(Xn))；其中，Ladv为对抗训练所用的损失函数，D(.)表示鉴别器；

S226，在使用没有标注的RGB遥感图像时，采用置信图D(S(Xn))和无标注数据产生的概率图得到Lsemi，使用Ladv训练生成器欺骗鉴别器，通过最小化LD的值进行训练，通过反向传播学习Lsemi、Ladv；

S227，通过最小化整个生成对抗网络的损失函数Lseg训练整个分割网络；

S228，使用MIoU作为评价指标来判断训练过程中分割网络的性能，在MIoU取最高值时，根据分割网络当前取得的模型参数确定优化生成式对抗分割网络；

z∈1 z∈0.75 z∈0.50

Lmulti＝Lce +Lce +Lce ，

式中，h表示输入图片的长度，w表示输入图片的宽度，c表示输入图片的高度，C表示输z∈1入图片的高度集合，S(Xn)表示生成器产生的预测概率图，Lce 表示图片为原始尺寸时通过z∈0.75生成器的交叉熵损失，Lce 表示图片尺寸为原始图片大小的0.75倍时通过生成器的交z∈0.50叉熵损失，Lce 表示表示图片尺寸为原始图片大小的0.50倍时通过生成器的交叉熵损失，yn表示为一个指示参数，D(Yn)表示从标注图像获得的概率图通过鉴别器得到的置信图，D(S(Xn))表示从生成器得到的概率图通过鉴别器得到的置信图。

2.根据权利要求1所述的基于生成式对抗网络的遥感图像半监督语义分割方法，其特征在于，步骤S10包括：S11，搭建生成器；

S12，引入多尺度信息以融合全局和局部特征；

S13，搭建鉴别器网络，以确定初始生成式对抗分割网络。

3.根据权利要求2所述的基于生成式对抗网络的遥感图像半监督语义分割方法，其特征在于，步骤S11包括：采用复合残差网络通过提取不同尺寸的图片得到不同尺度的特征；通过金字塔模块使用具有不同采样率的多个并行的空洞卷积层，为每个采样率提取的特征在单独的分支中进一步处理，步长小的模块提取全局特征，步长大的模块提取局部特征，并相加融合以生成最终结果，根据最终结果确定生成器。

4.根据权利要求2所述的基于生成式对抗网络的遥感图像半监督语义分割方法，其特征在于，步骤S12包括：S121，将多尺寸的遥感图像输入生成器；

S122，输入特征X经过残差模块的一个卷积层得到F(X)，在由残差模块的跳越结构得到F(X)+WX，由不同尺寸的遥感图像经过残差模块分别得到特征D1，特征D2，和特征D3；其中W是卷积操作；

S123，D1，D2，和D3分别通过一个金字塔模块融合全局和局部特征得到D1对应的F1，D2对应的F2，和D3对应的F3；

S124，对F1，F2，F3进行多尺度特征融合得到R5。

5.根据权利要求4所述的基于生成式对抗网络的遥感图像半监督语义分割方法，其特征在于，所述构建训练数据集包括：将原始数据集的RGB图和标注图像进行裁剪，得到尺寸为512*512的RGB图和标注图，以确定所述训练数据集。

6.根据权利要求5所述的基于生成式对抗网络的遥感图像半监督语义分割方法，其特征在于，Lseg＝Lmulti+λadvLadv+λsemiLsemi，式中，λadv表示第一权重，λsemi表示第二权重。

7.根据权利要求6所述的基于生成式对抗网络的遥感图像半监督语义分割方法，其特征在于，式中，MIoU表示平均交并比，pii表示真实正例的数量， 表示总数量，k表示类别数。