1.基于Mask R‑CNN的航拍图建筑物检测和分割方法，其特征在于，包括以下步骤：步骤1：采集城镇建筑物的清晰航拍图像并对图像中的建筑物轮廓进行标注，得到训练数据集和测试数据集，并且使用非随机掩盖的数据增强方式增强训练数据集；

步骤2：搭建基于Mask R‑CNN的航拍图建筑物检测和分割方法的网络架构，所搭建的网络架构包括以下模块；

特征提取模块，该模块使用深层卷积神经网络提取输入图像的高级特征表示；

区域建议网络‑RPN(Region Proposal Network)，用于从特征提取模块输出的图像特征映射图中提取出需要进行分类的候选区域RoI(Region of Interest)；

RoI区域分类器，用于对RoI中的对象进行分类和输出边界框的坐标；

RoI区域分割网络，用于执行图像语义分割，生成每个候选区域的建筑物掩码；

步骤3：将增强后的建筑物航拍图训练数据集作为网络的输入，通过迭代训练得到航拍图像分割模型，并且通过测试集数据对训练获得的分割模型进行测试和性能评估，得到最终的航拍图建筑物分割模型；

步骤4：将所获得的模型应用于用户需要进行处理的建筑物航拍图，得到最终的建筑物航拍图像分割图；

其中，所述步骤1中非随机掩盖的数据增强方法为，对每一幅训练样本进行手工添加掩盖区域，在包括含有阴影部分干扰物的训练图片中，将掩盖区域选择位于阴影干扰物部分；

在没有明显干扰的图片中，将掩盖区域选择位于建筑物对象边缘部分，掩盖区域的像素值设置为0，再对所有的图片使用标注工具进行轮廓标注。

2.根据权利要求1中所述的基于Mask R‑CNN的航拍图建筑物检测和分割方法，其特征在于，所述步骤2搭建基于Mask R‑CNN的航拍图建筑物检测和分割方法的网络架构中采用ResNet‑101‑FPN作为特征提取网络。

3.根据权利要求1中所述的基于Mask R‑CNN的航拍图建筑物检测和分割方法，其特征在于，所述步骤3网络在建筑物航拍图数据集上训练之前，通过使用在ImageNet数据集上预训练的模型权重对用于特征提取的ResNet‑101网络参数进行初始化，并且使用在COCO数据集上预训练的权重对RPN网络的参数进行初始化。