1.一种多尺度注意力与中值增强的语义分割方法，其特征在于，包括以下步骤：S1，以ResNeSt50为骨干网络提取原始图像的初始特征，通过分裂注意力块将初始特征分成多个基数组，每个基数组进一步分裂为多个子组；

基于原始图像的全局上下文信息进行权重评估，对每个基数组对应的子组进行加权组合，得到每个基数组的特征表示；

将所有基数组的特征表示合并，形成ResNeSt50卷积神经网络的Inception块的输出特征；

S2，将所述Inception块的输出特征输入ResNeSt50卷积神经网络的多尺度特征增强模块，对其进行特征提取，得到5个特征图；根据5个特征图的通道维度进行拼接，得到原始图像的多尺度特征；

S3，将所述多尺度特征输入中值增强空间通道注意力模块，输出注意力特征图；

S4，通过交叉特征融合块聚合高层特征和低层特征，生成高层特征与低层特征的最终融合特征；

S5，将所述注意力特征图经上采样之后，与最终融合特征相加并上采样得到融合特征图；

S6，将所述融合特征图再经上采样，并与ResNeSt50的中层特征经1×1卷积处理之后进行拼接，输出拼接后的特征图；

S7，将拼接后的特征图经过一个3×3的卷积并经过上采样和一个全连接层展开得到原始图像的分割预测图。

2.根据权利要求1所述的一种多尺度注意力与中值增强的语义分割方法，其特征在于，步骤S1包括以下具体步骤：S101，向ResNeSt50卷积神经网络输入原始图像，通过归一化将所述原始图像的像素值缩放至[0,1]，并按ImageNet均值标准化，对非标准尺寸的原始图像边缘补零至可被步长整除的最小尺寸；

S102，通过ResNeSt50卷积神经网络的初始卷积层提取出所述原始图像的初始特征；

S103，通过分裂注意力块对所述初始特征进行特征分组和分裂注意力操作，形成ResNeSt50卷积神经网络的Inception块的输出特征。

3.根据权利要求2所述的一种多尺度注意力与中值增强的语义分割方法，其特征在于，步骤S103包括以下具体作业步骤：将初始特征分为多个基数组，每个基数组进一步细分为多个子组；

基于原始图像的全局上下文信息，输出原始图像的通道权重，对子组进行加权和，获得每个基数组的特征表示；

将所有基数组的特征表示加权融合，形成ResNeSt50卷积神经网络的Inception块的输出特征。

4.根据权利要求3所述的一种多尺度注意力与中值增强的语义分割方法，其特征在于，通过下述公式输出原始图像的通道权重：

，

式中，为第个基数组的通道权重；为基数组的数量；为Sigmoid函数；为全连接层；为平均池化：为第个基数组的特征；

通过下述公式对同一基数组的多个子组输出进行加权和：，

式中，为第个基数组的特征；为基数组的数量；为第个基数组中的第r个子组的输出特征；为每个基数组细分的子组数量；r为子组的索引，取值范围为1到；

通过下述公式对所有基数组的特征表示进行加权融合：

，

式中，为所有基数组特征表示的加权融合结果；为第个基数组的通道权重；为第个基数组的特征；k为基数组的索引，取值范围为1到K。

5.根据权利要求1所述的一种多尺度注意力与中值增强的语义分割方法，其特征在于，步骤S3包括以下具体步骤：S301，采用通道注意力机制对所述多尺度特征进行全局平均池化、全局最大池化和全局中值池化，得到多尺度特征的三个不同池化结果；

S302，将多尺度特征的三个不同池化结果通过共享的多层感知器进行非线性变换和降维-升维处理；

S303，使用Sigmoid激活函数将多层感知器的输出值压缩到 [0, 1] 范围内，得到三个处理后的特征图；

S304，将三个处理后的特征图进行元素级相加，得到初始通道注意力特征，公式如下：，

式中，为初始通道注意力特征；为Sigmoid函数；为多层感知器；为多尺度特征；

S305，将所述初始通道注意力特征与多尺度特征进行元素级相乘，输出最终通道注意力特征，公式为：，式中，为最终通道注意力特征；为元素级相乘；为多尺度特征；

S306，将最终通道注意力特征通过多个不同尺寸的深度卷积层，提取最终通道注意力特征的基础特征；

S307，将最终通道注意力特征的基础特征进行元素级相加，再与最终通道注意力特征经5×5卷积处理之后的特征图融合，得到空间特征图，公式如下：，

式中，为空间特征图；N为不同尺寸的深度卷积；表示深度卷积的数量；为最终通道注意力特征；

S308，将所述空间特征图经过1×1卷积处理与所述最终通道注意力特征进行元素级相乘，输出注意力特征图，公式为：，式中，为注意力特征图；为空间特征图；为元素级相乘；为最终通道注意力特征图。

6.根据权利要求1所述的一种多尺度注意力与中值增强的语义分割方法，其特征在于，步骤S4包括以下具体步骤：S401，ResNeSt50卷积神经网络的一个高层特征经过上采样，将空间尺寸扩大至与低层特征的尺寸相同；

S402，使用3×3卷积核、空洞率为2的空洞卷积对高层特征进行扩大感受野；

S403，对空洞卷积处理后的高层特征进行批归一化处理，得到优化后的高层特征，公式为：，式中，为优化后的高层特征；为批归一化处理；为ResNeSt50卷积神经网络的一个高层特征；为3×3卷积核、空洞率为2的空洞卷积；

S404，ResNeSt50卷积神经网络的一个低层特征通过1×1卷积调整通道数，使其与高层特征的通道数匹配；

S405，进行批归一化处理进一步优化1×1卷积调整后的特征分布，得到优化后的低层特征，公式为：，式中，为优化后的低层特征；为批归一化处理；为ResNeSt50卷积神经网络的一个低层特征；

S406，将优化后的高层特征与优化后的低层特征相加，基于非线性ReLU激活函数，生成最终融合特征，公式为：，式中，为最终融合特征；为优化后的低层特征；为优化后的高层特征。

7.根据权利要求1所述的一种多尺度注意力与中值增强的语义分割方法，其特征在于，步骤S6中，通过下述公式输出拼接后的特征图：，

式中，为拼接后的特征图；为融合特征图；为ResNeSt50卷积神经网络的一个分支。