1.基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，包括以下步骤：

S1、获取待检测区域的原始遥感影像，并对其进行多尺度裁剪处理，获得各尺度下的影像块集合；

S2、通过全局推理多尺度检测模型对各尺度下的影像块集合中的影像进行检测，输出各尺度下的所有检测框；

S3、将全局推理多尺度检测模型输出的检测框整合到原始遥感图像对应的大范围影像中，并对各检测框进行合并，得到对应的固废检测结果。

2.根据权利要求1所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，所述步骤S1具体为：S11、采用若干个尺寸的滑动窗口和步长对待检测区域的原始遥感影像进行裁剪；

S12、将裁剪后的各影像块缩放至全局推理多尺度检测模型的输入大小，得到各尺度下的影像块集合。

3.根据权利要求1所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，所述步骤S2中的全局推理多尺度检测模型包括SSD网络及在嵌合在SSD网络中各卷积层之间的GloRe单元；

所述SSD网络用于实现对输入影像的特征提取及多尺度目标检测；

所述GloRe单元用于对SSD网络中的特征进行全局推理，提高SSD网络对影像全局信息的表达能力。

4.根据权利要求3所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，所述SSD网络保留VGG‑16网络的第一～第五卷积层，并将VGG‑16网络第五层卷积层之后的全连接层修改为依次连接的第六卷积层、第七卷积层，同时在第七卷积层后依次添加依次连接的第八～第十一卷积层；

对于嵌合在SSD网络中的GloRe单元，根据SSD网络的特征计算方向和检测计算方向之后自由嵌合。

5.根据权利要求4所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，在SSD网络中，所述第四卷积层及第七卷积层～第十一卷积层除进行特征向前计算外，其输出的六个不同分辨率的特征图还用于计算目标的边框、位置及类别置信度，并基于计算结果通过非极大值抑制操作，筛选出与输入图像中重叠度大于设定阈值的影像，作为全局推理多尺度检测模型的输出结果。

6.根据权利要求4所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，对于前一卷积层输入到GloRe单元的栅格形式的特征图X，GloRe单元对特征图X进行处理的方法为：

A1、采用卷积运算φ(X；Wφ)和卷积运算θ(X；Wθ)将特征图X映射到交互空间中的一个全连通图结构；

A2、采用图卷积运算在整个全连通图结构中传递每个节点的特征，并更新节点状态，进而在关系密切的节点之间构建强关联；

A3、采用θ(X；Wθ)的转置将节点之间具有强关联的全连通图结构从交互空间反向映射到栅格形式，得到栅格特征图Y；

A4、将栅格特征图Y的维度扩展至与特征图X大小相同后与特征图X叠加，作为GloRe单元的输出图像输入到下一层卷积层。

7.根据权利要求6所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，所述步骤A1中，全连通图结构中节点的特征矩阵V为：式中，Wφ为降维卷积运算的权重，Wθ为映射卷积运算的权重；

所述步骤A2中，采用图卷积运算在整个全连通图结构V中传递每个节点的特征Z为：Z＝g(V；Wg)＝((I‑Ag)V)Wg式中，g(·)为图卷积运算函数，Wg为图卷积的权重，I为单位矩阵，Ag为全连通图结构的邻接矩阵；

所述步骤A3中，所述栅格特征图Y为：T

式中，θ(X；Wθ)为卷积运算θ(X；Wθ)的转置。

8.根据权利要求1所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，所述步骤S3具体为：S31、将全局推理多尺度检测模型输出的检测框叠加整合至原始遥感图像对应的大范围影像中，并以置信度阈值Confthr对所有检测框进行筛选；

S32、基于筛选结果，确定属于同一目标的检测框b的检测框集合gi，并构建目标集合G＝{g1,...,gm}；

S33、将集合G＝{g1,...,gm}中包含检测框b的个数不小于2的检测框集合筛选出来，并计算其最小外接矩形，得到的各尺度下的影像块组成影像块检测集合，进而得到对应的固废检测结果。

9.根据权利要求8所述的基于深度学习与全局推理的遥感影像多尺度固废检测方法，其特征在于，在所述步骤S32中，所述目标检测框集合G＝{g1,...,gm}中每个元素gi＝{b1,b2,...,bn}表示被判定为属于同一目标的检测框b的影像集合，i＝1,2,...,m，m为集合G中元素总数；

元素gi的最小外包矩形与检测框b之间的重叠区域满足：式中，B为检测框集合，Sg、Sb、Sin、Sun分别表示gi的最小外包矩形、检测框b、最小外包矩形与检测框b的重叠区域和并集的面积，Mergethr为合并阈值。