1.一种基于深度学习的注意力机制的语义分割的方法，其特征在于，具体步骤按照以下实施；

步骤1，获取标准数据集，进行预处理；

步骤2，将步骤1预处理后的标准数据集图像信息存储并导入深度神经网络模型中，通过DeeplabV3+引入的编码-解码结构和带空洞卷积的金字塔池化模块，以端到端的方式对网络进行训练，通过ASPP引入多尺度信息，通过Decoder模块将底层特征和高层特征进行融合，提升分割边界准确度；

步骤3，结合多通道注意力模块，沿通道维度聚合尺度的上下文信息，强调分部大型对象，并在全局范围内突出本地小物体信息，采用注意力特征融合模块进行特征融合，将现有特征算子与拟议的AFF模块一同放置，通过迭代集成的AFF框架形成iAFF框架；

步骤4，采用条件随机场对语义分割的预测结果进行特征优化，将低层图像信息和逐像素分类结果相结合；

步骤5，调整解码端输出特征的通道数并激活，即获取最终的预测结果。

2.根据权利要求1所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤1具体为：步骤1.1，采用DeepLabv3+语义分割网络适用的数据集PASCAL VOC 2012；

步骤1.2，下载Deeplabv3+模型常用的标准PASCAL VOC 2012数据集；

步骤1.3，预处理PASCAL VOC 2012数据集，PASCAL VOC 2012包括原始数据集和增强数据集两种版本的数据集，采用增强数据集的数据标签label是.mat格式的文件，将.mat格式转换为.png格式的图片文件，转化后的数据图片是8-bit的灰度图；

步骤1.4，数据集融合，将增强数据集中label转化为三通道RGB图，并转化为8-bit的灰度.png图像；

步骤1.5，数据集导入编码端，调用函数转换导入数据集。

3.根据权利要求1所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤2的具体步骤为：步骤2.1，图像信息Image输入到Deeplabv3+上端编码器Encoder中，通过解码端处理，将编码器输出特征图；

步骤2.2，采用不同尺寸卷积核和rate，利用多扩张率的空洞卷积获取更丰富的上下文语义信息，提取多尺度特征，引入膨胀卷积即多扩张空洞卷积增加网络感受野；

步骤2.3，使用Dilated Convolution膨胀卷积提取特征阶段，实现感受野的扩大，并且不降低分辨率，实现保留原有位置信息并且语义信息保持不变；

步骤2.4，利用空洞金字塔池化，提出多尺度信息，根据ASPP有五个尺度，在Encoder部分，高级特征讲过五个不同从操作得到5个输出一个1×1卷积，3个不同尺度rate的dilation conv和1个ImagePool，在Decoder部分，对于两个输入分别操作，将low-level-feature经过1×1卷积调整维度，另一操作将Eecoder的1×1conv经过Decoder中的向上采样Upsample，利用双线性插值法，再将两操作进行Concat结合处理。

4.根据权利要求3所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤2.3的具体步骤为：步骤2.3.1，利用膨胀卷积将卷积核变大，将一个3×3的卷积核膨胀为5×5，从而增加了五个参数，并引入了空白信息；

步骤2.3.2，利用具有Atrous卷积的编码-解码器，由深度神经网络计算特征的分辨率，并且调整滤波器的视场以捕获多尺度信息，对于二维信号，输出特征图y上的每个位置i和卷积滤波器w，在输入特征图上进行如下粗卷积计算：其中，y表示输出特征图，i表示某一具体卷积操作的像素，y[i]表示i特征输出图，r表示参数距离也就是速率rate，k为有效视野感受参数，w为卷积滤波器；

步骤2.3.3，膨胀卷积输入输出维度大小计算公式如下：

Input：(N,Cin,Hin,Win)

Output：(N,Cout,Hout,Wout)

其中Input，Output为输入输出特征尺寸大小，C表示输入输出通道数，H，W表示输入图片尺寸大小，kernel_size表示卷积核尺寸，stride表示步长，padding表示宽度，dilation表示膨胀率，Hout和Wout为膨胀卷积的输入和输出。

5.根据权利要求4所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤2.4具体步骤为：步骤2.4.1，取一个1×1卷积层，以及3×3的空洞卷积，对于输入图像分辨率和输出图像分辨率的比值out_stride＝16，其中rate为(6,12,18)，若out_stride＝8，rate加倍，此类卷积层的输出channel数均为256，并且含有BN层；

步骤2.4.2，一个金字塔平均池化得到的image-level特征，然后送入1×1卷积层，输出256个channel；

步骤2.4.3，将步骤2.2.1和步骤2.2.2得到的4个不同尺度的特征在channel维度结合到一起，将多尺度的特征图调整分辨率后拼接融合，并利用1×1卷积将输出通道数调整为256，此时编码器输出特征图的分辨率是原始图像的十六分之一；

步骤2.4.4，对于DeepLabv3+，经过ASPP模块得到的特征图的out_stride为8或者16，其经过1×1的分类层后，利用Encoder-Decoder结构对于输入的空间分辨率进行向下采样，得到低分辨率并经过学习高效的区分特征图，在进行向上采样特征表示全分辨率分割图。

6.根据权利要求1所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤3具体步骤为：步骤3.1，在DeepLav3+模型上提出一种多尺度通道注意模块，使用尺度不同的两个分支来提取通道注意力权重，多尺度通道注意模块结构分为两部分，其中一个分支使用Global Avg Pooling来提取全局特征的注意力，另一个分支直接使用point-wise卷积提取局部特征的通道注意力；

步骤3.2，将得到的采样图X，经MS-CAM注意力机制模块，分为两部分分别输入到全局特征提取和卷积局部特征通道；

步骤3.3，应用卷积神经网络注意力机制，采用channel Attention，对于每个通道channel维度，学习不同权重，平面维度上权重相同，基于多尺度通道注意力模块将一个通道内的信息进行全局平均；

步骤3.4，通过注意力掩模和特征图作用机制，在图像特征信息中实现总体结构；

步骤3.5，注意力特征融合基于步骤3.2卷积神经网络的注意力机制，将生成的特征进行融合，用以解决特征融合上下文聚合和初始集成的问题，实现特征融合从相同层场景扩展到跨层场景。

7.根据权利要求6所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤3.3具体为：步骤3.3.1，分支trunk实现，应用传统的卷积神经网络结构，通过多次卷积操作提取原始特征；

步骤3.3.2，分支mask实现，利用注意力模块的buttom-up和top-down结构实现；

buttom-up部分：执行下采样，多次进行最大池化操作扩大接受域，直到达到最低分辨率，强语义信息的特征图，从而收集整个图片的全局信息；

top-down部分：执行上采样线性插值，直到特征图尺寸与输入时相等，扩展Bottom-up所产生的特征图，使其尺寸与输入Bottom-up前的特征图大小相同，从而对输入特征图的每个像素进行推理选择；

步骤3.3.3，在mask输出之前，通过改变激活函数中的标准方差式，即对mask中的Attention添加不同约束，使其成为channel attention注意力模型。

8.根据权利要求7所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤3.4首先将多个注意力模块的堆叠而成，并且将注意力模块分成两个分支：mask brunch和trunk branch，最后以特征点积输出；计算如下所示；

H

其中M

步骤3.4.1，通过汇聚上下文信息利用多尺度通道注意模块实现空间池大小缩放，MS-CAM结构图将本地上下文信息添加到注意模块中的全局上下文，选择点卷积作为本地通道上下文聚合器，利用逐点通道每个位置空间的互动；

步骤3.4.2，计算本地通道上下文信息

L(X)＝B(PWConv

其中卷积核大小为PWconv

步骤3.4.3，给定全局通道上下文信息个g(X)和本地通道上下文信息L(X)，并且重新定义特征X'，将其记为其中

9.根据权利要求8所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤3.5具体步骤为：步骤3.5.1，将现有特征融合算子与拟议的AFF模块结合，通过迭代集成的AFF框架完善初始集成，即融合权重生成器，用它作为输出通过另一个AFF模块接收特征，形成迭代注意力特征融合iAFF；

步骤3.5.2，给定两幅特征图，

对于不同结构中，具体X，Y对应：同层场景中：X是3×3卷积的输出，Y是5×5卷积的输出；在短跳跃连接场景：X是本身映射，Y是学习残差；在长跳跃场景：X是低级特征图，Y是高层特征金字塔中的高阶语义特征图；基于多尺度通道注意力模块MS-CAM，将注意力特征融合表示为：其中，

步骤3.5.3，选择逐元素求和作为初始积分，AFF和iAFF模块与多尺度通道之间的框架关系，其中虚线表示1-M(X∪Y)，M(X∪Y)表示融合权重，将网络在X，Y之间进行平均或者软选择。

10.根据权利要求1所述的一种基于深度学习的注意力机制的语义分割的方法，其特征在于，所述步骤4中采用Atrous Conv算法扩大视野，获取更多的上下文信息。