1.一种基于卷积神经的海洋船舶图像分割方法，其特征在于，所述方法将空洞卷积、压缩激励网络和U‑net进行结合构建编码‑解码网络，将海洋船舶图像预处理后输入所述编码‑解码网络进行分割处理；所述编码‑解码网络包括依次连接的编码层、压缩激励模块和解码层，其中编码层和解码层之间添加跳跃连接；

分割处理过程中将海洋船舶图像输入至编码‑解码网络的编码层，得到编码层对应的特征图，将编码层对应的特征图输入至压缩激励模块得到概率图，将概率图输入解码块得到解码块对应的特征图；最后将编码层对应的特征图与概率图同时与解码块对应的特征图进行拼接得到分割结果图；

所述编码‑解码网络包括编码块、解码块和压缩激励模块，所述压缩激励模块包含全局池化层、2个全连接层和一个sigmoid层；全局池化层用于将压缩操作变成1×1结构，2个全连接层中一个用于降维，降维后经过修正线性单元激活后再通过另一个全连接层进行升维；

使用训练样本训练该编码‑解码网络时，首先将训练样本输入编码层，训练样本输入至编码块中得到对应的特征图，将该编码块对应的特征图输入压缩激励模块，压缩激励模块在该编码块对应的特征图的RGB通道中添加三个通道之间的关联信息，以减少通道之间的依赖；

编码块对应的特征图输入压缩激励模块后，使用全局池化层将压缩操作变成1×1结构，接着通过一个全连接层将编码块对应的特征图的特征维度降至输入的1/16，然后经过修正线性单元激活后再通过一个全连接层将其升回到原先的维度，两个全连接层能连接通道间的相关性，编码块对应的特征图输入压缩激励模块后得到概率图，将概率图输入解码块得到解码块对应的特征图。

2.根据权利要求1所述的方法，其特征在于，所述编码‑解码网络中，编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元；各单元之间设有池化层。

3.根据权利要求2所述的方法，其特征在于，若每个编码块包含三个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元，各单元中的空洞卷积层的空洞率分别为1、2和4。

4.根据权利要求2所述的方法，其特征在于，若每个编码块包含四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元，各单元中的空洞卷积层的空洞率分别为1、2、

4和8。

5.根据权利要求1所述的方法，其特征在于，所述编码‑解码网络中，解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元；各单元之间设有上采样模块。

6.根据权利要求5所述的方法，其特征在于，所述上采样模块包含上采样层、卷积层、归一化层和修正线性单元层；采样层的采样因子为2，采样层卷积核大小为2×2，卷积层的核大小为3×3。

7.根据权利要求6所述的方法，其特征在于，所述解码层中由卷积层+归一化层+修正线性单元层构成的单元的个数与编码层中由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元的个数相同。