1.一种多层神经网络模型训练方法，其特征在于，所述方法包括：确定遥感图像训练样本集包括的遥感图像的道路标注数据中属于道路的像素以及所述遥感图像中道路的宽度值；

根据所述道路的宽度值将所述遥感图像中属于道路的像素的响应权重调整为其与所述道路的宽度值负相关，获得更新后遥感图像训练样本集，属于道路的像素的不同响应权重表示在神经网络训练过程中像素的特征被学习的不同概率；

基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述道路的宽度值将所述遥感图像中属于道路的像素的响应权重调整为其与所述道路的宽度值负相关，包括：将所述遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值线性负相关；

或

将所述遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值之间非线性负相关。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述遥感图像中属于道路的像素的响应权重调整为大于所述遥感图像中不属于道路的像素的响应权重。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据所述遥感图像中各像素的响应权重和预定的响应权重阈值，分别确定所述遥感图像中各像素是否属于道路。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：根据所述遥感图像的分辨率确定所述响应权重阈值。

6.根据权利要求1所述的方法，其特征在于，基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型，包括对所述多层神经网络模型执行多次训练过程直至训练结果满足预定的训练完成条件，其中，每次训练过程包括：将所述更新后的遥感图像训练样本集包括的至少部分遥感图像输入所述多层神经网络模型；

经多层神经网络模型提取输入的遥感图像的道路特征；

至少根据提取的道路特征和所述输入的遥感图像的道路标注数据的差异，确定道路特征提取的损失值；

根据所述损失值调整所述多层神经网络模型的网络参数。

7.根据权利要求6所述的方法，其特征在于，所述至少根据提取的道路特征和所述输入的遥感图像的道路标注数据的差异，确定道路特征提取的损失值，包括：根据提取的道路特征和所述输入的遥感图像的道路标注数据的差异、以及所述输入的遥感图像中各像素的响应权重，确定道路特征提取的损失值。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述多层神经网络模型包括：卷积神经网络。

9.一种道路特征识别方法，其特征在于，所述方法包括：获取待检测的遥感图像；

基于如权利要求1-8任一项所述的多层神经网络模型提取所述待检测的遥感图像的道路特征。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：根据提取的道路特征生成道路图。

11.一种多层神经网络模型训练装置，其特征在于，所述装置包括：确定单元，用于确定遥感图像训练样本集包括的遥感图像的道路标注数据中属于道路的像素以及所述遥感图像中道路的宽度值；

加权单元，用于根据所述道路的宽度值将所述遥感图像中属于道路的像素的响应权重调整为其与所述道路的宽度值负相关，获得更新后遥感图像训练样本集，属于道路的像素的不同响应权重表示在神经网络训练过程中像素的特征被学习的不同概率；

训练单元，用于基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。

12.根据权利要求11所述的装置，其特征在于，所述加权单元进一步用于：将所述遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值线性负相关；

或

将所述遥感图像中属于道路的像素的响应权重调整为其与道路的宽度值之间非线性负相关。

13.根据权利要求12所述的装置，其特征在于，所述加权单元进一步用于：将所述遥感图像中属于道路的像素的响应权重调整为大于所述遥感图像中不属于道路的像素的响应权重。

14.根据权利要求11所述的装置，其特征在于，所述装置还包括：阈值确定单元，用于根据所述遥感图像中各像素的响应权重和预定的响应权重阈值，分别确定所述遥感图像中各像素是否属于道路。

15.根据权利要求14所述的装置，其特征在于，所述阈值确定单元进一步用于：根据所述遥感图像的分辨率确定所述响应权重阈值。

16.根据权利要求11-15任一项所述的装置，其特征在于，所述训练单元进一步用于：基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型，包括对所述多层神经网络模型执行多次训练过程直至训练结果满足预定的训练完成条件，其中，每次训练过程包括：将所述更新后的遥感图像训练样本集包括的至少部分遥感图像输入所述多层神经网络模型；

经多层神经网络模型提取输入的遥感图像的道路特征；

至少根据提取的道路特征和所述输入的遥感图像的道路标注数据的差异，确定道路特征提取的损失值；

根据所述损失值调整所述多层神经网络模型的网络参数。

17.根据权利要求16所述的装置，其特征在于，所述训练单元进一步用于：根据提取的道路特征和所述输入的遥感图像的道路标注数据的差异、以及所述输入的遥感图像中各像素的响应权重，确定道路特征提取的损失值。

18.根据权利要求17所述的装置，其特征在于，所述多层神经网络模型包括：卷积神经网络。

19.一种道路特征识别装置，其特征在于，所述装置包括：获取单元，用于获取待检测的遥感图像；

提取单元，用于基于如权利要求1-8任一项所述的多层神经网络模型提取所述待检测的遥感图像的道路特征。

20.根据权利要求19所述的装置，其特征在于，所述装置还包括：生成单元，用于根据提取的道路特征生成道路图。

21.一种电子设备，其特征在于，包括：

存储器，存储可执行指令；

一个或多个处理器，与存储器通信以执行可执行指令从而完成以下操作：确定遥感图像训练样本集包括的遥感图像的道路标注数据中属于道路的像素以及所述遥感图像中道路的宽度值；

根据所述道路的宽度值将所述遥感图像中属于道路的像素的响应权重调整为其与所述道路的宽度值负相关，获得更新后遥感图像训练样本集，属于道路的像素的不同响应权重表示在神经网络训练过程中像素的特征被学习的不同概率；

基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。