1.一种海上多目标船舶实例分割方法，其特征在于，包括以下步骤：

步骤1：获取海上船舶图像数据集；

步骤2：对YOLOv5模型进行改进，具体为：在YOLOv5模型的骨干网络中嵌入注意力增强遮挡目标表示模块；用多尺度融合模块代替YOLOv5模型的多尺度路径聚合部分；在多尺度特征融合模块之后增加多目标分割模块；在Backbone的C5特征层之后插入船舶轮廓辅助预测模块；船舶轮廓辅助预测模块与BiFPN层并行，船舶轮廓辅助预测模块对图像中船舶轮廓进行精细化处理；

其中，注意力增强遮挡目标表示模块用于增加YOLOv5模型对重要区域的关注度；多尺度融合模块用于在原有输入节点和输出节点基础上增加一组输入、输出节点，增加融合的特性；多目标分割模块与检测头共同作用，对图像进行实例分割；用多尺度融合模块代替YOLOv5模型的多尺度路径聚合部分，具体方法为：用BiFPN层代替YOLOv5模型中的FPN与PANET层；船舶轮廓辅助预测模块对图像中船舶轮廓进行精细化处理具体步骤如下：步骤A1：将中心点坐标与偏移量进行相加得到初始轮廓点的集合；

步骤A2：将初始轮廓点的集合中所有初始轮廓点与中心点的特征级联为一个长度为(M+1)×P的向量，式中，M为初始轮廓点的集合中初始轮廓点的个数；P为初始轮廓点特征的通道号；

步骤A3：根据向量，通过MLP算法获得每个初始轮廓点的预测偏移量；

步骤A4：将初始轮廓点与初始轮廓点的预测偏移量相加得到精细化处理后的船舶轮廓；

步骤3：通过获取的海上船舶图像数据集，对改进的YOLOv5模型进行训练，得到船舶实例分割模型；

步骤4：通过船舶实例分割模型对实时获取的海上船舶数据进行多目标分割处理。

2.如权利要求1所述的海上多目标船舶实例分割方法，其特征在于，所述步骤1中，对获取的海上船舶图像数据集进行融合式数据增强，其中，数据增强公式为：x1＝xc‑w/3y1＝yc‑w/3

x2＝xc+w/3y2＝yc+w/3

式中，x1和x2为指从水平方向裁剪的目标像素点，y1和y2为指从竖直方向剪裁的目标像素点，xc、yc和w分别为标注结果中bounding box的坐标和宽度。

3.如权利要求1所述的海上多目标船舶实例分割方法，其特征在于，注意力增强遮挡目标表示模块用于增加YOLOv5模型对感兴趣区域的关注度，具体为：将CA模块分别融入到Backbone、Neck、Head模块中，获得水平和竖直两个坐标方向感知注意力图，根据两个感知注意力图生成空间信息在水平和竖直方向的中间特征图，使用下采样比例去控制模块的大小，得到注意力权重，根据注意力权重对通道注意力进行重构，通过权重调整增加YOLOv5模型对感兴趣区域的关注度。

4.如权利要求1所述的海上多目标船舶实例分割方法，其特征在于，多尺度融合模块中的加权特征融合表达式为：式中，wi和wj是可学习的权重；i、j表示索引；Ii表示输入项，即第i个输入；ε表示一个小的正数，用于避免分母为0。

5.如权利要求1所述的海上多目标船舶实例分割方法，其特征在于，所述改进的YOLOv5模型中还包括：用解耦头替换YOLOv5模型的YOLO Head进行目标检测。