1.一种基于卷积神经网络与类别热力图的滑坡遥感信息提取方法，其特征在于：

首先，在ResNet50主干网络中，4个不同尺度的特征图之后，分别嵌入卷积注意力模块，先后进行通道注意力和空间注意力运算，通道注意力子模块用于计算特征图各通道数据的权重，空间注意力子模块用于计算特征图各空间位置数据的权重，两者串联筛选有用的滑坡特征聚焦滑坡区域；采用空洞空间金字塔池化方法通过不同扩张率的空洞卷积对特征图并行采样，以此来捕获多个尺度的图像信息；设计一个跳跃连接结构用于融合低层次细节特征与高层次语义特征，为最后卷积层特征图提供细节边缘信息，先将多尺度特征进行4倍上采样，然后与低层次细节特征进行拼接，之后通过一个多谱通道注意力机制进行特征融合，实现不同层次特征之间的自适应融合；通过一个1×1卷积预测特征图中每个像素位置的分类得分，而后通过应用一个通道方向上的softmax生成掩膜预测，根据掩膜预测结果对原始分类分数进行加权，最后通过一个全连接层得到输入图像分类类别得分；在得到最后的卷积层特征之后，将其输入到分类器单元，该图像被分类为滑坡或非滑坡类；采用交叉熵损失函数进行分类损失计算和反向传播，利用获取的滑坡和非滑坡场景训练场景分类网络获取滑坡场景的类别热力图；

其次，使用条件随机场算法对像素级掩膜的质量和相邻相似像素之间的空间平滑度进行优化，结合图像底层特征应用全连接条件随机场算法对边缘进行优化获取像素级滑坡分割掩膜；

最后，利用从类别热力图获取滑坡像素级伪标签训练语义分割网络，通过语义分割网络进一步利用影像特征以恢复语义空间信息，从而获得更高精度的像素级信息。