1.一种用于图像的细分类方法，其特征在于，所述方法包括：将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别，包括：若所述决策码所对应的分类策略包含分割掩码约束策略，则获取所述遥感图像的分割掩码图，并将分割掩码图与遥感图像做相乘运算，以去掉遥感图像中的背景，并将经过运算的遥感图像输入已训练的特征提取模块，并获取所述特征提取模块输出的飞行器特征图；若所述决策码所对应的分类策略包含引擎数量约束策略，则获取所述特征提取模块中底层卷积层提取的引擎特征图，并将所述飞行器特征图与所述引擎特征图按维度相加，得到新的飞行器特征图；若所述决策码所对应的分类策略包含特征度量约束策略，则将所述新的飞行器特征图输入已训练的第一特征分类模块，以由所述第一特征分类模块基于新的飞行器特征图进行分类，得到飞行器的第二类别。
2.根据权利要求1所述的方法，其特征在于，根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码之前，包括：获取飞行器的遥感图像样本集；针对所述样本集中的每一样本，将该样本输入已训练的基础分类网络，以由所述基础分类网络分析该样本上的飞行器属于所有类别的概率，并获取所述基础分类网络分析得到的所有类别的概率；依据每一样本上的飞行器属于所有类别的概率建立所有类别的混淆矩阵；所述混淆矩阵中的每一元素表示两个类别间的混淆概率；利用所述混淆矩阵划分混淆社区，每个混淆社区包含多个易混淆类别；针对每个混淆社区，确定该混淆社区中易混淆类别的混淆原因，并获取所述混淆原因所对应的决策码；建立该混淆社区包含的多个易混淆类别与所述决策码的对应关系。
3.根据权利要求1所述的方法，其特征在于，基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别，包括：若所述决策码所对应的分类策略不包含分割掩码约束策略，则将所述遥感图像输入已训练的特征提取模块，并获取所述特征提取模块输出的飞行器特征图；若所述决策码所对应的分类策略不包含引擎数量约束策略和特征度量约束策略，则将所述飞行器特征图输入已训练的第二特征分类模块，以由所述第二特征分类模块基于所述飞行器特征图进行分类，得到飞行器的第二类别；若所述决策码所对应的分类策略不包含引擎数量约束策略但包含特征度量约束策略，则将所述飞行器特征图输入已训练的第一特征分类模块，以由所述第一特征分类模块基于所述飞行器特征图进行分类，得到飞行器的第二类别；若所述决策码所对应的分类策略包含引擎数量约束策略但不包含特征度量约束策略，则获取所述特征提取模块中底层卷积层提取的引擎特征图，并将所述飞行器特征图与所述引擎特征图按维度相加，得到新的飞行器特征图；将所述新的飞行器特征图输入已训练的第二特征分类模块，以由所述第二特征分类模块基于所述新的飞行器特征图进行分类，得到飞行器的第二类别。
4.根据权利要求3所述的方法，其特征在于，所述特征提取模块和所述第二特征分类模块的训练过程包括：获取飞行器的遥感图像样本集；针对所述样本集中每一遥感图像，获取该遥感图像的分割掩码图，并将分割掩码图与该遥感图像做相乘运算，以去掉遥感图像中的背景；利用经过运算的遥感图像训练已构建的特征提取模块和第二特征分类模块；其中，在训练过程中，通过引入引擎数量约束策略训练第二特征分类模块，并且所述第二特征分类模块使用的损失函数为交叉熵损失函数。
5.根据权利要求4所述的方法，其特征在于，所述第一特征分类模块的训练过程包括：将经过运算的遥感图像输入训练好的特征提取模块，并获取所述特征提取模块输出的飞行器特征图；获取所述特征提取模块中底层卷积层提取的引擎特征图，并将所述飞行器特征图与所述引擎特征图按维度相加，得到新的飞行器特征图；利用新的飞行器特征图训练已构建的第一特征分类模块；其中，在训练过程中，通过引入引擎数量约束策略训练第一特征分类模块，并且所述第一特征分类模块使用的损失函数为交叉熵损失函数和三元组损失函数的组合。
6.一种用于图像的细分类装置，其特征在于，所述装置包括：第一分类模块，用于将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；查找模块，用于根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；第二分类模块，用于基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别；所述第二分类模块，具体用于若所述决策码所对应的分类策略包含分割掩码约束策略，则获取所述遥感图像的分割掩码图，并将分割掩码图与遥感图像做相乘运算，以去掉遥感图像中的背景，并将经过运算的遥感图像输入已训练的特征提取模块，并获取所述特征提取模块输出的飞行器特征图；若所述决策码所对应的分类策略包含引擎数量约束策略，则获取所述特征提取模块中底层卷积层提取的引擎特征图，并将所述飞行器特征图与所述引擎特征图按维度相加，得到新的飞行器特征图；若所述决策码所对应的分类策略包含特征度量约束策略，则将所述新的飞行器特征图输入已训练的第一特征分类模块，以由所述第一特征分类模块基于新的飞行器特征图进行分类，得到飞行器的第二类别。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：建立模块，用于获取飞行器的遥感图像样本集；针对所述样本集中的每一样本，将该样本输入已训练的基础分类网络，以由所述基础分类网络分析该样本上的飞行器属于所有类别的概率，并获取所述基础分类网络分析得到的所有类别的概率；依据每一样本上的飞行器属于所有类别的概率建立所有类别的混淆矩阵；所述混淆矩阵中的每一元素表示两个类别间的混淆概率；利用所述混淆矩阵划分混淆社区，每个混淆社区包含多个易混淆类别；针对每个混淆社区，确定该混淆社区中易混淆类别的混淆原因，并获取所述混淆原因所对应的决策码；建立该混淆社区包含的多个易混淆类别与所述决策码的对应关系。
8.根据权利要求6所述的装置，其特征在于，所述第二分类模块，还具体用于若所述决策码所对应的分类策略不包含分割掩码约束策略，则将所述遥感图像输入已训练的特征提取模块，并获取所述特征提取模块输出的飞行器特征图；若所述决策码所对应的分类策略不包含引擎数量约束策略和特征度量约束策略，则将所述飞行器特征图输入已训练的第二特征分类模块，以由所述第二特征分类模块基于所述飞行器特征图进行分类，得到飞行器的第二类别；若所述决策码所对应的分类策略不包含引擎数量约束策略但包含特征度量约束策略，则将所述飞行器特征图输入已训练的第一特征分类模块，以由所述第一特征分类模块基于所述飞行器特征图进行分类，得到飞行器的第二类别；若所述决策码所对应的分类策略包含引擎数量约束策略但不包含特征度量约束策略，则获取所述特征提取模块中底层卷积层提取的引擎特征图，并将所述飞行器特征图与所述引擎特征图按维度相加，得到新的飞行器特征图；将所述新的飞行器特征图输入已训练的第二特征分类模块，以由所述第二特征分类模块基于所述新的飞行器特征图进行分类，得到飞行器的第二类别。
