图像目标检测与分割方法、系统、存储介质和电子设备

1.本发明涉及图像处理技术领域，尤其涉及一种图像目标检测与分割方法、系统、存储介质和电子设备。


背景技术：

2.随着计算机视觉技术的发展和成熟，其被广泛应用于各个领域。目标检测与分割便是计算机视觉研究的重要问题之一，是理解图像高层语义特征的重要基础，其任务是返回给定图像中的单个或多个特定目标的矩形包围框坐标或区域。现有的图像目标检测与分割算法通常可以被分为两类：一类是两阶段模型，如faster r-cnn，模型独立的提取候选区域，要先对输入图像筛选出可能存在物体的候选区域，判断候选区域中是否存在目标，然后输出目标类别、位置特征或分割区域。另一种是一阶段模型，如yolo，模型没有独立提取候选区域，直接输入图像得到图中存在的物体类别、相应的位置特征或分割区域。但上述算法均存在目标检测和分割的精度不高的问题。
3.因此，亟需提供一种技术方案解决上述技术问题。


技术实现要素：

4.为解决上述技术问题，本发明提供了一种图像目标检测与分割方法、系统、存储介质和电子设备。
5.本发明的图像目标检测与分割方法的技术方案如下：
6.s1、基于多个原始训练图像，对用于图像目标检测与分割的预设深度学习模型进行训练，得到目标深度学习模型；
7.s2、将待测图像输入至所述目标深度学习模型中，得到所述待测图像的目标检测与分割的目标预测结果。
8.本发明的图像目标检测与分割方法的有益效果如下：
9.本发明的方法通过对改进的深度学习模型进行训练，加强了模型对图像目标的表达能力，提高了对图像中物体的目标检测和分割精度。
10.在上述方案的基础上，本发明的图像目标检测与分割方法还可以做如下改进。
11.进一步，所述预设深度学习模型包括：原始骨干网络、原始颈部网络和多个原始头部网络；在所述s1之前，还包括：
12.s01、采用至少一种标注方式，对每个原始训练图像进行标注，得到每个原始训练图像对应的至少一种标注训练图像；
13.所述s1包括：
14.s11、将任一原始训练图像输入至所述原始骨干网络进行多尺度图像特征提取，得到所述任一原始训练图像对应的第一训练图像；
15.s12、将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像；
16.s13、将所述任一原始训练图像对应的第二训练图像分别输入至每个原始头部网络中进行预测，得到所述任一原始训练图像在每个原始头部网络中的训练预测结果，直至得到每个原始训练图像分别在每个原始头部网络中训练预测结果；
17.s14、基于每个原始训练图像对应的所有训练预测结果和至少一种标注训练图像进行损失计算，得到并根据损失计算结果对所述预设深度学习模型进行优化，将优化后的预设深度学习模型作为所述预设深度学习模型并返回执行s11进行迭代训练，直至所述预设深度学习模型收敛时，将所述预设深度学习模型收敛时所对应的优化后的预设深度学习模型确定为所述目标深度学习模型。
18.进一步，所述原始骨干网络包括：多个第一卷积层和多个第一下采样层，每个第一卷积层的输出端分别对应连接一个第一下采样层的输入端；所述s11包括：
19.将所述任一原始训练图像输入至所述原始骨干网络的首个第一卷积层，并依次通过所有的第一卷积层和所有的第一下采样层，对所述任一原始训练图像进行多尺度图像特征提取，得到所述任一原始训练图像对应的第一训练图像。
20.进一步，所述原始颈部网络包括：至少一个第二卷积层和至少一个第一上采样层，每个第二卷积层的输出端分别对应连接一个第一上采样层的输入端；所述s12包括：
21.将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络的首个第二卷积层，并依次通过所有的第二卷积层和所有的第一上采样层，对所述任一原始训练图像对应的第一训练图像进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像。
22.进一步，所述多个原始头部网络包括：预设目标分类头部网络、预设目标检测头部网络、预设图像分割头部网络和预设中心骨架头部网络；所述任一原始训练图像的训练预测结果包括：第一训练预测结果、第二训练预测结果、第三训练预测结果和第四训练预测结果；所述将所述任一原始训练图像对应的第二训练图像分别输入至每个原始头部网络中进行预测，得到所述任一原始训练图像在每个原始头部网络中的训练预测结果的步骤，包括：
23.将所述任一原始训练图像对应的第二训练图像输入至所述预设目标分类头部网络中进行预测，得到所述任一原始训练图像进行目标分类所得到的第一训练预测结果；
24.将所述任一原始训练图像对应的第二训练图像输入至所述预设目标检测头部网络中进行预测，得到所述任一原始训练图像进行目标检测所得到的第二训练预测结果；
25.将所述任一原始训练图像对应的第二训练图像输入至所述预设图像分割头部网络中进行预测，得到所述任一原始训练图像进行图像分割所得到的第三训练预测结果；
26.将所述任一原始训练图像对应的第二训练图像输入至所述预设中心骨架头部网络中进行预测，得到所述任一原始训练图像进行中心骨架提取所得到的第四训练预测结果。
27.采用上述进一步技术方案的有益效果是：通过在深度学习模型的头部网络加入中心骨架网络，能够帮助目标检测头部网络和图像分割头部网络获取更多物体形态的特征，以提高物体检测和图像分割的精度。
28.进一步，所述对任一原始训练图像进行标注，得到所述任一原始训练图像对应的至少一种标注训练图像的步骤，包括：
29.基于物体的类别，对所述任一原始训练图像中的每个物体进行标注，得到包含每
个物体的标注类别信息的第一标注训练图像；
30.基于物体的位置，对所述任一原始训练图像中的每个物体进行标注，得到包含每个物体的位置信息的第二标注训练图像；
31.对所述任一原始训练图像中的每个物体进行掩膜处理，得到包含每个物体的掩膜信息的第三标注训练图像；
32.获取所述任一原始训练图像对应的第三标注训练图像中每个物体的中心骨架，并按照预设排列顺序，将所有的中心骨架进行排列，得到第四标注训练图像。
33.采用上述进一步技术方案的有益效果是：通过对训练图像中的物体实例提取中心骨架并表示为按照设定顺序排列的点列，以使物体保留了其形态相关的特征，加强了模型对图像目标的表达能力，更有利于模型学习与物体相关的特征关系，提高物体的检测和分割精度。
34.进一步，所述目标预测结果为：所述待测图像的目标检测结果和所述待测图像的图像分割结果。
35.本发明的图像目标检测与分割系统的技术方案如下：
36.包括：处理模块和运行模块；
37.所述处理模块用于：基于多个原始训练图像，对用于图像目标检测与分割的预设深度学习模型进行训练，得到目标深度学习模型；
38.所述运行模块用于：将待测图像输入至所述目标深度学习模型中，得到所述待测图像的目标检测与分割的目标预测结果。
39.本发明的图像目标检测与分割系统的有益效果如下：
40.本发明的系统通过对改进的深度学习模型进行训练，加强了模型对图像目标的表达能力，提高了对图像中物体的目标检测和分割精度。
41.在上述方案的基础上，本发明的图像目标检测与分割系统还可以做如下改进。
42.进一步，所述预设深度学习模型包括：原始骨干网络、原始颈部网络和多个原始头部网络；在所述处理模块之前，还包括：标注模块；
43.所述标注模块用于：采用至少一种标注方式，对每个原始训练图像进行标注，得到每个原始训练图像对应的至少一种标注训练图像；
44.所述处理模块包括：第一处理模块、第二处理模块、第三处理模块和第四处理模块、
45.所述第一处理模块用于：将任一原始训练图像输入至所述原始骨干网络进行多尺度图像特征提取，得到所述任一原始训练图像对应的第一训练图像；
46.所述第二处理模块用于：将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像；
47.所述第三处理模块用于：将所述任一原始训练图像对应的第二训练图像分别输入至每个原始头部网络中进行预测，得到所述任一原始训练图像在每个原始头部网络中的训练预测结果，直至得到每个原始训练图像分别在每个原始头部网络中训练预测结果；
48.所述第四处理模块用于：基于每个原始训练图像对应的所有训练预测结果和至少一种标注训练图像进行损失计算，得到并根据损失计算结果对所述预设深度学习模型进行优化，将优化后的预设深度学习模型作为所述预设深度学习模型并返回调用所述第一处理
模块进行迭代训练，直至所述预设深度学习模型收敛时，将所述预设深度学习模型收敛时所对应的优化后的预设深度学习模型确定为所述目标深度学习模型。
49.进一步，所述原始骨干网络包括：多个第一卷积层和多个第一下采样层，每个第一卷积层的输出端分别对应连接一个第一下采样层的输入端；所述第一处理模块具体用于：
50.将所述任一原始训练图像输入至所述原始骨干网络的首个第一卷积层，并依次通过所有的第一卷积层和所有的第一下采样层，对所述任一原始训练图像进行多尺度图像特征提取，得到所述任一原始训练图像对应的第一训练图像。
51.进一步，所述原始颈部网络包括：至少一个第二卷积层和至少一个第一上采样层，每个第二卷积层的输出端分别对应连接一个第一上采样层的输入端；所述第二处理模块具体用于：
52.将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络的首个第二卷积层，并依次通过所有的第二卷积层和所有的第一上采样层，对所述任一原始训练图像对应的第一训练图像进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像。
53.进一步，所述多个原始头部网络包括：预设目标分类头部网络、预设目标检测头部网络、预设图像分割头部网络和预设中心骨架头部网络；所述任一原始训练图像的训练预测结果包括：第一训练预测结果、第二训练预测结果、第三训练预测结果和第四训练预测结果；
54.所述第三处理模块具体用于：
55.将所述任一原始训练图像对应的第二训练图像输入至所述预设目标分类头部网络中进行预测，得到所述任一原始训练图像进行目标分类所得到的第一训练预测结果；
56.将所述任一原始训练图像对应的第二训练图像输入至所述预设目标检测头部网络中进行预测，得到所述任一原始训练图像进行目标检测所得到的第二训练预测结果；
57.将所述任一原始训练图像对应的第二训练图像输入至所述预设图像分割头部网络中进行预测，得到所述任一原始训练图像进行图像分割所得到的第三训练预测结果；
58.将所述任一原始训练图像对应的第二训练图像输入至所述预设中心骨架头部网络中进行预测，得到所述任一原始训练图像进行中心骨架提取所得到的第四训练预测结果。
59.采用上述进一步技术方案的有益效果是：通过在深度学习模型的头部网络加入中心骨架网络，能够帮助目标检测头部网络和图像分割头部网络获取更多物体形态的特征，以提高物体检测和图像分割的精度。
60.进一步，所述标注模块具体用于：
61.基于物体的类别，对所述任一原始训练图像中的每个物体进行标注，得到包含每个物体的标注类别信息的第一标注训练图像；
62.基于物体的位置，对所述任一原始训练图像中的每个物体进行标注，得到包含每个物体的位置信息的第二标注训练图像；
63.对所述任一原始训练图像中的每个物体进行掩膜处理，得到包含每个物体的掩膜信息的第三标注训练图像；
64.获取所述任一原始训练图像对应的第三标注训练图像中每个物体的中心骨架，并
按照预设排列顺序，将所有的中心骨架进行排列，得到第四标注训练图像。
65.采用上述进一步技术方案的有益效果是：通过对训练图像中的物体实例提取中心骨架并表示为按照设定顺序排列的点列，以使物体保留了其形态相关的特征，加强了模型对图像目标的表达能力，更有利于模型学习与物体相关的特征关系，提高物体的检测和分割精度。
66.进一步，所述目标预测结果为：所述待测图像的目标检测结果和所述待测图像的图像分割结果。
67.本发明的一种存储介质的技术方案如下：
68.存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的图像目标检测与分割方法的步骤。
69.本发明的一种电子设备的技术方案如下：
70.包括存储器、处理器及存储在存储器上并可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计算机程序时，使所述计算机执行如本发明的图像目标检测与分割方法的步骤。
附图说明
71.图1为本发明实施例的图像目标检测与分割方法的流程示意图；
72.图2为本发明实施例的图像目标检测与分割方法中预设深度学习模型的结构图；
73.图3为本发明实施例的图像目标检测与分割系统的结构示意图。
具体实施方式
74.如图1所示，本发明实施例的图像目标检测与分割方法，包括如下步骤：
75.s1、基于多个原始训练图像，对用于图像目标检测与分割的预设深度学习模型进行训练，得到目标深度学习模型。
76.其中，原始训练图像为包含长条形物体的图像；例如：蠕虫，藤蔓，桥梁，树木等。
77.其中，预设深度学习模型包括三个部分：骨干网络、颈部网络和头部网络，预设深度学习模型是未训练的深度学习模型，能够用于对图像中的物体(尤其是长条形物体)进行目标检测与分割。目标深度学习模型为：经过训练后的深度学习模型。
78.具体地，获取多个包含至少一个长条形物体的原始训练图像，并将每个原始训练图像分别输入预设深度学习模型中进行迭代训练，不断提高模型对图像目标的表达能力，直至预设深度学习模型收敛时，得到用于进行图像目标检测与分割的目标深度学习模型。
79.s2、将待测图像输入至所述目标深度学习模型中，得到所述待测图像的目标检测与分割的目标预测结果。
80.其中，待测图像为：随机选取的图像。目标预测结果包括：所述待测图像的目标检测结果和所述待测图像的图像分割结果。
81.需要说明的是，目标检测结果为：对待测图像进行目标检测所得到的待测图像中每个物体的类别和位置。图像分割结果为：对待测图像进行图像分割所得到的每个物体所对应的图像区域。
82.较优地，所述预设深度学习模型包括：原始骨干网络、原始颈部网络和多个原始头
部网络。
83.在本实施例中，预设深度学习模型的模型结构如图2所示。
84.其中，原始骨干网络为未经训练的骨干网络，其能够用于提取图像的多尺度采特征，原始骨干网络可采用如：resnet50网络或resnet101网络等较为成熟的骨干网络。在本实施例中，原始骨干网络包括：多个第一卷积层和多个第一下采样层。
85.其中，原始颈部网络为未经训练的颈部网络，其能够用于提取图像特征；原始颈部网络可采用如fpn网络。在本实施例中，原始颈部网络包括：至少一个第二卷积层和至少一个第一上采样层。
86.其中，原始头部网络为未经训练的头部网络，其能够用于对图像进行预测。多个原始头部网络包括：预设目标分类头部网络、预设目标检测头部网络、预设图像分割头部网络和预设中心骨架头部网络。
87.在所述s1之前，还包括：
88.s01、采用至少一种标注方式，对每个原始训练图像进行标注，得到每个原始训练图像对应的至少一种标注训练图像。
89.其中，至少一种标注方式包括：标注图像中物体的类别、标注图像中物体的位置、标注图像中物体的掩膜以及对标注图像中物体的掩膜进行中心骨架的提取。
90.具体地，对任一原始训练图像进行标注，得到所述任一原始训练图像对应的至少一种标注训练图像的步骤，包括：
91.基于物体的类别，对所述任一原始训练图像中的每个物体进行标注，得到包含所述任一原始训练图像中每个物体的标注类别信息的第一标注训练图像。
92.其中，标注类别信息包括但不限于：将物体进行框选的矩形框，每种类别对应的矩形框采用不同的颜色进行显示。第一标注训练图像为：包含每个物体对应的矩形框的图像。
93.基于物体的位置，对所述任一原始训练图像中的每个物体进行标注，得到包含每个物体的位置信息的第二标注训练图像。
94.其中，位置信息包括但不限于：包含每个物体的位置的图像，可与标注类别信息相同，也可以不同，在此不设限制。
95.对所述任一原始训练图像中的每个物体进行掩膜处理，得到包含每个物体的掩膜信息的第三标注训练图像。
96.其中，对图像进行掩膜处理的过程为现有技术，在此不过多赘述。
97.获取所述任一原始训练图像对应的第三标注训练图像中每个物体的中心骨架，并按照预设排列顺序，将所有的中心骨架进行排列，得到第四标注训练图像。
98.具体地，利用经过掩膜处理后的第三标注训练图像，对第三标注训练图像中的每个物体进行中心骨架提取，并将所提取的所有物体的中心骨架表示成按照预设排列顺序排列的点列形式。点列可以为中心线上的若干等距点或不等距点，若为长条形物体拥有头尾顺序。预设排列顺序可根据实际情况，将点列的排列顺序设为从头到尾或从尾到头。
99.需要说明的是，上述仅阐述了任一原始训练图像进行标注的过程，其余的原始训练图像均可采用上述图像标注的过程，在此不一一列举说明。
100.所述s1包括：
101.s11、将任一原始训练图像输入至所述原始骨干网络进行多尺度图像特征提取，得
到所述任一原始训练图像对应的第一训练图像。
102.其中，第一训练图像为：原始训练图像进行多尺度图像特征提取后所得到的图像。
103.在本实施例中，原始骨干网络以两个第一卷积层和两个第一下采样层为例。每个第一卷积层的输出端分别对应连接一个第一下采样层的输入端。
104.具体地，将所述任一原始训练图像输入至所述原始骨干网络的首个第一卷积层，并依次通过首个第一下采样层、第二个卷积层和第二个下采样层，以对所述任一原始训练图像进行多尺度图像特征的提取，得到所述任一原始训练图像对应的第一训练图像。
105.需要说明的是，通过卷积层和下采样层进行图像特征提取的过程为现有技术，在此不过多赘述。
106.s12、将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像。
107.其中，第二训练图像为：第一训练图像经过原始颈部网络进行图像特征提取所得到的图像。
108.在本实施例中，原始颈部网络以一个第二卷积层和一个第一上采样层为例。第一卷积层的输出端连接第一上采样层的输入端。
109.具体地，将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络的第二卷积层，并通过第一上采样层，对所述任一原始训练图像对应的第一训练图像进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像。
110.需要说明的是，通过卷积层和上采样层进行图像特征提取的过程为现有技术，在此不过多赘述。
111.s13、将所述任一原始训练图像对应的第二训练图像分别输入至每个原始头部网络中进行预测，得到所述任一原始训练图像在每个原始头部网络中的训练预测结果，直至得到每个原始训练图像分别在每个原始头部网络中训练预测结果。
112.其中，所述任一原始训练图像的训练预测结果包括：第一训练预测结果、第二训练预测结果、第三训练预测结果和第四训练预测结果。
113.具体地，将所述任一原始训练图像对应的第二训练图像输入至所述预设目标分类头部网络中进行预测，得到所述任一原始训练图像进行目标分类所得到的第一训练预测结果。
114.其中，预设目标分类头部网络包括至少一个第一全连接层，用于对图像进行目标分类。
115.将所述任一原始训练图像对应的第二训练图像输入至所述预设目标检测头部网络中进行预测，得到所述任一原始训练图像进行目标检测所得到的第二训练预测结果。
116.其中，预设目标检测头部网络包括至少一个第二全连接层，用于对图像进行目标检测。
117.将所述任一原始训练图像对应的第二训练图像输入至所述预设图像分割头部网络中进行预测，得到所述任一原始训练图像进行图像分割所得到的第三训练预测结果。
118.其中，预设图像分割头部网络包括至少一个第三卷积层，用于对图像进行图像分割。
119.将所述任一原始训练图像对应的第二训练图像输入至所述预设中心骨架头部网
络中进行预测，得到所述任一原始训练图像进行中心骨架提取所得到的第四训练预测结果。
120.其中，预设中心骨架头部网络包括至少一个第四卷积层和至少一个第三全连接层，用于对图像的中心骨架进行提取。
121.需要说明的是，预设中心骨架头部网络和预设目标检测头部网络均是对点进行预测，因此可采用相同的网络结构。
122.s14、基于每个原始训练图像对应的所有训练预测结果和至少一种标注训练图像进行损失计算，得到并根据损失计算结果对所述预设深度学习模型进行优化，将优化后的预设深度学习模型作为所述预设深度学习模型并返回执行s11进行迭代训练，直至所述预设深度学习模型收敛时，将所述预设深度学习模型收敛时所对应的优化后的预设深度学习模型确定为所述目标深度学习模型。
123.其中，预设深度学习模型收敛是指通过模型所得到的预测值与真实值之间的误差小于预设阈值，预设阈值可根据用户需求进行设定。
124.其中，损失计算的过程为现有技术，如采用交叉熵损失等，主要过程是将真实值与模型预测值代入损失函数计算两者之间的差距，损失值越低，深度学习模型的预测效果则越好。
125.其中，目标深度学习模型包括：目标骨干网络、目标颈部网络和多个目标头部网络；多个目标头部网络包括：训练后的目标分类头部网络、训练后的目标检测头部网络、训练后的图像分割头部网络和训练后的中心骨架头部网络。
126.本实施例的技术方案通过对改进的深度学习模型进行训练，加强了模型对图像目标的表达能力，提高了对图像中物体的目标检测和分割精度。
127.如图3所示，本发明实施例的图像目标检测与分割系统200，包括：处理模块210和运行模块220；
128.所述处理模块210用于：基于多个原始训练图像，对用于图像目标检测与分割的预设深度学习模型进行训练，得到目标深度学习模型；
129.所述运行模块220用于：将待测图像输入至所述目标深度学习模型中，得到所述待测图像的目标检测与分割的目标预测结果。
130.较优地，所述预设深度学习模型包括：原始骨干网络、原始颈部网络和多个原始头部网络；在所述处理模块210之前，还包括：标注模块；
131.所述标注模块用于：采用至少一种标注方式，对每个原始训练图像进行标注，得到每个原始训练图像对应的至少一种标注训练图像；
132.所述处理模块210包括：第一处理模块211、第二处理模块212、第三处理模块213和第四处理模块214；
133.所述第一处理模块211用于：将任一原始训练图像输入至所述原始骨干网络进行多尺度图像特征提取，得到所述任一原始训练图像对应的第一训练图像；
134.所述第二处理模块212用于：将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像；
135.所述第三处理模块213用于：将所述任一原始训练图像对应的第二训练图像分别
输入至每个原始头部网络中进行预测，得到所述任一原始训练图像在每个原始头部网络中的训练预测结果，直至得到每个原始训练图像分别在每个原始头部网络中训练预测结果；
136.所述第四处理模块214用于：基于每个原始训练图像对应的所有训练预测结果和至少一种标注训练图像进行损失计算，得到并根据损失计算结果对所述预设深度学习模型进行优化，将优化后的预设深度学习模型作为所述预设深度学习模型并返回调用所述第一处理模块进行迭代训练，直至所述预设深度学习模型收敛时，将所述预设深度学习模型收敛时所对应的优化后的预设深度学习模型确定为所述目标深度学习模型。
137.较优地，所述原始骨干网络包括：多个第一卷积层和多个第一下采样层，每个第一卷积层的输出端分别对应连接一个第一下采样层的输入端；所述第一处理模块211具体用于：
138.将所述任一原始训练图像输入至所述原始骨干网络的首个第一卷积层，并依次通过所有的第一卷积层和所有的第一下采样层，对所述任一原始训练图像进行多尺度图像特征提取，得到所述任一原始训练图像对应的第一训练图像。
139.较优地，所述原始颈部网络包括：至少一个第二卷积层和至少一个第一上采样层，每个第二卷积层的输出端分别对应连接一个第一上采样层的输入端；所述第二处理模块212具体用于：
140.将所述任一原始训练图像对应的第一训练图像输入至所述原始颈部网络的首个第二卷积层，并依次通过所有的第二卷积层和所有的第一上采样层，对所述任一原始训练图像对应的第一训练图像进行图像特征提取，得到所述任一原始训练图像对应的第二训练图像。
141.较优地，所述多个原始头部网络包括：预设目标分类头部网络、预设目标检测头部网络、预设图像分割头部网络和预设中心骨架头部网络；所述任一原始训练图像的训练预测结果包括：第一训练预测结果、第二训练预测结果、第三训练预测结果和第四训练预测结果；
142.所述第三处理模块213具体用于：
143.将所述任一原始训练图像对应的第二训练图像输入至所述预设目标分类头部网络中进行预测，得到所述任一原始训练图像进行目标分类所得到的第一训练预测结果；
144.将所述任一原始训练图像对应的第二训练图像输入至所述预设目标检测头部网络中进行预测，得到所述任一原始训练图像进行目标检测所得到的第二训练预测结果；
145.将所述任一原始训练图像对应的第二训练图像输入至所述预设图像分割头部网络中进行预测，得到所述任一原始训练图像进行图像分割所得到的第三训练预测结果；
146.将所述任一原始训练图像对应的第二训练图像输入至所述预设中心骨架头部网络中进行预测，得到所述任一原始训练图像进行中心骨架提取所得到的第四训练预测结果。
147.较优地，所述标注模块具体用于：
148.基于物体的类别，对所述任一原始训练图像中的每个物体进行标注，得到包含每个物体的标注类别信息的第一标注训练图像；
149.基于物体的位置，对所述任一原始训练图像中的每个物体进行标注，得到包含每个物体的位置信息的第二标注训练图像；
150.对所述任一原始训练图像中的每个物体进行掩膜处理，得到包含每个物体的掩膜信息的第三标注训练图像；
151.获取所述任一原始训练图像对应的第三标注训练图像中每个物体的中心骨架，并按照预设排列顺序，将所有的中心骨架进行排列，得到第四标注训练图像。
152.较优地，所述目标预测结果为：所述待测图像的目标检测结果和所述待测图像的图像分割结果。
153.本实施例的技术方案通过对改进的深度学习模型进行训练，加强了模型对图像目标的表达能力，提高了对图像中物体的目标检测和分割精度。
154.上述关于本实施例的图像目标检测与分割系统200中的各参数和各个模块实现相应功能的步骤，可参考上文中关于图像目标检测与分割方法的实施例中的各参数和步骤，在此不做赘述。
155.本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如图像目标检测与分割方法的步骤，具体可参考上文中图像目标检测与分割方法的实施例中的各参数和步骤，在此不做赘述。
156.计算机存储介质例如：优盘、移动硬盘等。
157.本发明实施例提供的一种电子设备，包括存储器、处理器及存储在存储器上并可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计算机程序时，使所述计算机执行如图像目标检测与分割方法的步骤，具体可参考上文中的图像目标检测与分割方法的实施例中的各参数和步骤，在此不做赘述。
158.所属技术领域的技术人员知道，本发明可以实现为方法、系统、存储介质和电子设备。
159.因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。