1.一種基于多尺度卷積的小目標(biāo)物體分割方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)收集的小目標(biāo)圖像進(jìn)行預(yù)處理，生成小目標(biāo)圖像樣本集，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)預(yù)先構(gòu)建的多尺度卷積神經(jīng)網(wǎng)絡(luò)模型以及預(yù)先設(shè)計(jì)的損失函數(shù)對(duì)所述小目標(biāo)圖像樣本集進(jìn)行訓(xùn)練，生成小目標(biāo)預(yù)測(cè)模型，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，多尺度特征提取模塊中含有多尺度卷積核、深度可分離卷積、非線性激活函數(shù)、池化操作、特征圖金字塔、跳躍連接和注意力機(jī)制，將所述小目標(biāo)圖像集輸入至所述多尺度卷積神經(jīng)網(wǎng)絡(luò)模型的多尺度特征提取模塊，提取所述小目標(biāo)圖像集中每個(gè)圖像的多尺度圖像特征信息，包括：
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，將所述多尺度圖像特征信息輸入至所述多尺度卷積神經(jīng)網(wǎng)絡(luò)模型的多尺度特征融合模塊，輸出融合特征，包括：
6.根據(jù)權(quán)利要求3所述的方法，其特征在于，將所述融合特征輸入至所述多尺度卷積神經(jīng)網(wǎng)絡(luò)模型的語(yǔ)義分割預(yù)測(cè)模塊，輸出預(yù)測(cè)結(jié)果，包括：
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述softmax函數(shù)的表達(dá)式如下：
8.一種基于多尺度卷積的小目標(biāo)物體分割裝置，其特征在于，包括：
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，第一生成模塊，包括：
10.根據(jù)權(quán)利要求8所述的裝置，其特征在于，第二生成模塊，包括：
11.根據(jù)權(quán)利要求10所述的裝置，其特征在于，多尺度特征提取模塊中含有多尺度卷積核、深度可分離卷積、非線性激活函數(shù)、池化操作、特征圖金字塔、跳躍連接和注意力機(jī)制，提取子模塊，包括：
12.根據(jù)權(quán)利要求10所述的裝置，其特征在于，第一輸出子模塊，包括：
13.根據(jù)權(quán)利要求10所述的裝置，其特征在于，第二輸出子模塊，包括：
14.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序用于執(zhí)行上述權(quán)利要求1-7任一所述的方法。
15.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括：