1.一种基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：包括如下步骤：
s1：基于卷积神经网络的目标检测方法对获取的遥感影像进行目标识别与定位，得到目标检测结果图；
s2：基于全卷积网络对获取的遥感影像进行语义分割，得到与目标检测结果图对应的分割图；
s3：融合目标检测结果图和与之对应的分割图，得到轮廓提取结果。
2.如权利要求1所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：步骤s1包括：
s1.1：利用卷积神经网络区域生成算法处理遥感影像生成候选区域，并利用卷积神经网络提取候选区域的特征，对特征进行分类并对区域内目标进行识别与定位；
s1.2：采用边界框回归算法对提取的目标的初始坐标进行校正，同时利用非极大值抑制算法删除冗余的目标框，得到最终的检测结果图。
3.如权利要求2所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：所述的目标检测方法为fasterr-cnn目标检测算法，步骤s1.1包括：
s1.1.1：将待检测遥感影像输入fasterr-cnn目标检测算法，利用vgg16提取影像的相应特征图；
s1.1.2：在vgg16提取的特征图上利用rpn区域候选框网络产生一系列的候选框；
s1.1.3：利用roipooling处理后输入到r-cnn目标检测头，实现候选框的坐标回归和类别的检测，得到目标框坐标和目标的类别及类别置信度。
4.如权利要求3所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：确定fasterr-cnn目标检测算法的损失函数，利用反向传播算法对fasterr-cnn目标检测算法进行训练，使损失函数下降到一个合适的值。
5.如权利要求4所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：fasterr-cnn目标检测算法的损失函数为：
i表示遥感影像中锚框的索引，pi表示锚框预测为目标的概率，ti＝{tx，ty，tw，th}为一个向量，表示预测的包围框的4个参数化坐标。
ti与
iou表示锚框与真实框的交集部分的面积与并集部分的面积之比，iou∈[0,0.3)时
类别损失函数
框坐标回归损失函数
6.如权利要求4所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：反向传播算法包括链式求导法则和/或梯度下降。
7.如权利要求4所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：全卷积网络的损失函数为：
其中w,h分别表示预测图的宽、高分辨率，
采用反向传播算法对全卷积网络进行训练，使全卷积网络的损失函数下降到一个合适的值，得到训练好的全卷积网络，然后对获取的遥感影像进行基于全卷积网络的语义分割。
8.如权利要求7所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：步骤s2包括：
s2.1：利用训练好的全卷积网络的基础网络提取输入的遥感影像的特征图；
s2.2：利用训练好的全卷积网络的转置卷积层将特征图采样到输入图大小；
s2.3：在与输入图大小一致的特征图的通道上进行分类，得到遥感图像的分割图。
9.如权利要求1所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：将遥感影像输入卷积神经网络和全卷积网络之前，首先对遥感图像进行像素值的归一化处理。
10.如权利要求1所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：对目标框坐标、目标的类别及类别置信度和与之对应的分割图进行融合，得到轮廓提取结果。