1.一种基于权重低秩分解和特征强化的海龟实例分割方法，其特征在于，包括：获取水下海龟图像；基于权重低秩分解与更新机制构建图像编码器，根据图像编码器和多头自注意力机制捕捉所获取的海龟图像的全局特征；对所得到的海龟图像全局特征进行特征选择性强化，得到多尺度重构特征图；在所得到多尺度重构特征图上生成候选区域，在所生成的候选区域上进行多尺度重构特征图的对齐，通过多任务分支网络进行对齐后多尺度重构特征图的检测分割，完成海龟实例分割。
2.如权利要求1中所述的一种基于权重低秩分解和特征强化的海龟实例分割方法，其特征在于，所构建的图像编码器内设权重低秩分解更新模块；在所述权重低秩分解更新模块中，通过权重低秩分解与更新机制，对权重进行低秩分解得到分解后的低秩矩阵，已完成更新。
3.如权利要求1中所述的一种基于权重低秩分解和特征强化的海龟实例分割方法，其特征在于，在特征选择性强化中，基于海龟图像全局特征和选择性系数，得到海龟图像特征图，对所得到的海龟图像特征图进行逐层迭代，得到多层次特征图，融合所得到的多层次特征图，得到融合特征图；采用卷积和池化在不同尺度上进行所得到的融合特征图的重构，得到多尺度重构特征图。
4.如权利要求1中所述的一种基于权重低秩分解和特征强化的海龟实例分割方法，其特征在于，所述海龟实例分割包括候选区域生成阶段、对齐阶段和多任务预测阶段；其中，在所述候选区域生成阶段中，区域生成网络在特征点上引入预设尺寸的锚框，基于所述锚框预测目标存在的置信度和边界框的回归偏移量，采用非极大值抑制进行所有候选框的筛选，得到候选区域，完成候选区域的生成阶段。
5.如权利要求4中所述的一种基于权重低秩分解和特征强化的海龟实例分割方法，其特征在于，在所述对齐阶段中，采用双线性插值在采样位置上获取特征值，结合最大池化操作提取固定尺寸的区域特征；将对齐后的特征送入多任务分支网络，分别完成对尺度重构特征图的检测与分割任务。
6.如权利要求1中所述的一种基于权重低秩分解和特征强化的海龟实例分割方法，其特征在于，所述海龟实例分割的损失函数包括区域建议网络损失函数、检测头分类损失函数、检测头边界框回归损失函数和分割掩码损失函数。
7.一种基于权重低秩分解和特征强化的海龟实例分割系统，其特征在于，包括：图像获取模块，齐备配置为获取水下海龟图像；特征捕捉模块，齐备配置为基于权重低秩分解与更新机制构建图像编码器，根据图像编码器和多头自注意力机制捕捉所获取的海龟图像的全局特征；特征强化模块，其被配置为对所得到的海龟图像全局特征进行特征选择性强化，得到多尺度重构特征图；实例分割模块，其被配置为在所得到多尺度重构特征图上生成候选区域，在所生成的候选区域上进行多尺度重构特征图的对齐，通过多任务分支网络进行对齐后多尺度重构特征图的检测分割，完成海龟实例分割。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-6中任一项所述的基于权重低秩分解和特征强化的海龟实例分割方法的步骤。
9.一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-6中任一项所述的基于权重低秩分解和特征强化的海龟实例分割方法的步骤。
10.一种计算机程序产品，包括软件代码，其特征在于，所述软件代码中的程序执行如权利要求1-6中任一项所述的基于权重低秩分解和特征强化的海龟实例分割方法的步骤。
