1.一种多任务CNN模型下的遥感影像与建筑物矢量配准方法，具体包括以下步骤：S1、进行数据准备，构建训练数据集；所述训练数据集中包括若干张高分辨率遥感影像；其中，针对每张高分辨率遥感影像，所述训练数据集还包括未与高分辨率遥感影像配准的原始建筑物矢量，以及将原始建筑物矢量与高分辨率遥感影像进行配准校正后的配准建筑物矢量；

S2、利用从训练数据集中获取到每项配准建筑物矢量，训练用于遥感影像建筑物检测的全卷积网络模型；

S3、对训练数据集中的每项原始建筑物矢量进行遍历，且在遍历的过程中，采用后向传播和随机梯度下降算法，且以利用全卷积网络生成的特征图层作为辅助信息，对所述多任务CNN模型进行训练；

S4、输入遥感影像数据到步骤S3训练的多任务CNN模型中，该模型内经由若干次卷积、池化和全连接操作后，进行遥感影像与建筑物矢量的自动配准；

所述多任务CNN模型的输入项包括：将原始建筑物矢量栅格化后形成的二值图像，以及将与所述二值图像具有相同图像范围的高分辨率遥感影像，输入到步骤S2训练所得的全卷积网络模型后，得到的与高分辨率遥感影像具有相同地理范围的特征图层；

所述多任务CNN模型的输出项包括建筑物矢量的误报概率和几何校正参数两个分支；

利用损失函数计算所述多任务CNN模型的损失值Loss，具体的数学公式为：其中，i表示样本序号，N表示训练批次中样本总数，pi表示当前样本误报概率的预测值，表示当前样本误报概率的的参考值；mi表示针对原始建筑物矢量的几何校正参数预测值； 表示非误报情形下原始建筑物矢量到配准建筑物矢量的几何校正参考值，具体为，步骤S3中，在遍历训练数据集中的原始建筑物矢量时，将原始建筑物矢量和对应的配准建筑物矢量进行对照所得； 表示当前样本误报概率的交叉熵损失，表示几何校正参数的损失值，采用均方误差损失函数计算。

2.根据权利要求1所述的遥感影像与建筑物矢量配准方法，其特征在于，对损失函数应用梯度下降算法，当损失值Loss趋近于X时，所述多任务CNN模型训练完毕，并将其应用于后续的执行步骤中；其中，X≥0。

3.根据权利要求1所述的遥感影像与建筑物矢量配准方法，其特征在于，通过所述多任务CNN模型对遥感影像与原始建筑物矢量，进行自动配准的过程，即为对输入到多任务CNN模型中的每项待配准的建筑物矢量进行校正的过程，当多任务CNN模型输出的误报概率大于预设的第一阈值时，则将当前输入的建筑物矢量删除，否则根据多任务CNN模型输出的几何校正参数，对输入的建筑物矢量进行校正，使其能与对应的高分辨率遥感影像进行配准。

4.根据权利要求3所述的遥感影像与建筑物矢量配准方法，其特征在于，对于在进行多任务CNN模型训练时，对于输入到多任务CNN模型中，且在校正过程中被删除的建筑物矢量，其对应的模型输出项的参考值设为：误报概率为1，几何校正参数为空；对于输入到多任务CNN模型中，且在校正过程中被保留的建筑物矢量，其对应的模型输出项的参考值设为：误报概率为0，几何校正参数通过取校正前后建筑物矢量的同名点坐标，进行最小二乘估计求得。

5.根据权利要求4所述的遥感影像与建筑物矢量配准方法，其特征在于，为避免对建筑物矢量过度校正，导致破坏了建筑物矢量的原始信息，在校正过程中，计算校正前后的建筑物矢量之间的交并比指标，若所述交并比指标小于预定的第二阈值时，则不采纳校正结果。

6.一种多任务CNN模型下的遥感影像与建筑物矢量配准系统，具体包括以下模块：数据构建模块，用于进行数据准备，构建训练数据集；其中，所述训练数据集均包括若干张高分辨率遥感影像；针对每张高分辨率遥感影像，所述训练数据集还包括未与高分辨率遥感影像配准的原始建筑物矢量，以及将原始建筑物矢量与高分辨率遥感影像进行配准校正后的配准建筑物矢量；

全卷积网络训练模型，用于利用从训练数据集中获取到每项配准建筑物矢量，训练用于高分辨率遥感影像建筑物检测的全卷积网络模型；

多任务CNN模型训练模块，用于对训练数据集中的每项原始建筑物矢量进行遍历，在遍历的过程中，采用后向传播和随机梯度下降算法对多任务CNN模型进行训练；其中，将原始建筑物矢量栅格化后形成的二值图像，以及将与所述二值图像具有相同图像范围的高分辨率遥感影像，输入到训练所得的全卷积网络模型后，得到的与高分辨率遥感影像具有相同地理范围的特征图层，分别作为多任务CNN模型的输入项；

所述多任务CNN模型的输出项包括建筑物矢量的误报概率和几何校正参数两个分支；

遥感影像配准模块，用于输入遥感影像数据到训练所得的多任务CNN模型中，该模型内经由若干次卷积、池化和全连接操作后，进行遥感影像与建筑物矢量的自动配准。

7.根据权利要求6所述的遥感影像与建筑物矢量配准系统，其特征在于，利用如权利要求1‑5中任一项遥感影像与建筑物矢量配准方法，对遥感影像与建筑物矢量的进行自动配准。