1.一种目标跟踪方法，其特征在于，包括：基于第一卷积神经网络对视频图像进行目标预测，得到所述视频图像中的多个目标预测区域；所述第一卷积神经网络通过对已训练完成的第二卷积神经网络执行以下处理构建而成：删除已训练完成的第二卷积神经网络中部分用于进行下采样的结构，和/或，减小所述第二卷积神经网络中与下采样相关的参数，并且所述第一卷积神经网络的网络参数基于用于训练第一卷积神经网络的样本图像、并以所述第二卷积神经网络的输出为指导信息被调整而得到，其中，所述第二卷积神经网络训练用的样本图像的分辨率大于所述第一卷积神经网络训练用的样本图像的分辨率；

对所述多个目标预测区域中的部分目标预测区域进行预测结果评价检测；

确定所述部分目标预测区域中检测结果满足设定条件的目标预测区域；

在包括所述视频图像的视频帧序列中根据满足设定条件的目标预测区域的位置信息进行目标跟踪。

2.根据权利要求1所述的方法，其特征在于，所述预测结果评价检测包括：预测结果准确性检测，和/或，预测结果错误代价检测。

3.根据权利要求1所述的方法，其特征在于，对所述多个目标预测区域中的部分目标预测区域进行预测结果评价检测，包括：针对所述部分目标预测区域中的每个目标预测区域，分别检测每个目标预测区域的第一损失代价信息和第二损失代价信息；其中，所述第一损失代价信息表征将目标预测区域预测为包括所述目标的区域的预测结果准确性以及预测结果错误代价，所述第二损失代价信息表征将目标预测区域预测为包括所述目标的最小外包矩形的预测结果准确性以及预测结果错误代价。

4.根据权利要求3所述的方法，其特征在于，所述用于进行下采样的结构包括池化层；

和/或，所述与下采样相关的参数包括卷积层的步长。

5.根据权利要求4所述的方法，其特征在于，删除的所述池化层包括位于所述待训练的第一卷积神经网络浅层的部分池化层，和/或，步长减小的所述卷积层包括位于所述待训练的第一卷积神经网络浅层的部分卷积层。

6.一种神经网络训练方法，其特征在于，包括：根据已训练完成的第二卷积神经网络构建待训练的第一卷积神经网络，其中，所述第二卷积神经网络训练用的样本图像的分辨率大于所述待训练的第一卷积神经网络训练用的样本图像的分辨率；

基于所述待训练的第一卷积神经网络训练用的样本图像、并以所述第二卷积神经网络的输出为指导信息，调整所述待训练的第一卷积神经网络的网络参数，以得到训练完成的第一卷积神经网络，

其中，根据已训练完成的第二卷积神经网络构建待训练的第一卷积神经网络，包括：删除所述第二卷积神经网络中部分用于进行下采样的结构，和/或，减小所述第二卷积神经网络中与下采样相关的参数，得到所述待训练的第一卷积神经网络。

7.根据权利要求6所述的方法，其特征在于，所述用于进行下采样的结构包括池化层；

和/或，所述与下采样相关的参数包括卷积层的步长。

8.根据权利要求7所述的方法，其特征在于，删除的所述池化层包括位于所述待训练的第一神经网络浅层的部分池化层，和/或，步长减小的所述卷积层包括位于所述待训练的第一神经网络浅层的部分卷积层。

9.一种目标跟踪装置，其特征在于，包括：目标预测模块，用于基于第一卷积神经网络对视频图像进行目标预测，得到所述视频图像中的多个目标预测区域；所述第一卷积神经网络通过对已训练完成的第二卷积神经网络执行以下处理构建而成：删除已训练完成的第二卷积神经网络中部分用于进行下采样的结构，和/或，减小所述第二卷积神经网络中与下采样相关的参数，并且所述第一卷积神经网络的网络参数基于用于训练第一卷积神经网络的样本图像、并以所述第二卷积神经网络的输出为指导信息被调整而得到，其中，所述第二卷积神经网络训练用的样本图像的分辨率大于所述第一卷积神经网络训练用的样本图像的分辨率；

评价检测模块，用于对所述多个目标预测区域中的部分目标预测区域进行预测结果评价检测；

区域确定模块，用于确定所述部分目标预测区域中检测结果满足设定条件的目标预测区域；

目标跟踪模块，用于在包括所述视频图像的视频帧序列中根据满足设定条件的目标预测区域的位置信息进行目标跟踪。

10.根据权利要求9所述的装置，其特征在于，所述评价检测模块，包括：准确性检测子模块，用于对所述多个目标预测区域中的部分目标预测区域进行预测结果准确性检测，和/或，

错误代价检测子模块，用于对所述多个目标预测区域中的部分目标预测区域进行预测结果错误代价检测。

11.根据权利要求9所述的装置，其特征在于，所述评价检测模块，用于针对所述部分目标预测区域中的每个目标预测区域，分别检测每个目标预测区域的第一损失代价信息和第二损失代价信息；其中，所述第一损失代价信息表征将目标预测区域预测为包括所述目标的区域的预测结果准确性以及预测结果错误代价，所述第二损失代价信息表征将目标预测区域预测为包括所述目标的最小外包矩形的预测结果准确性以及预测结果错误代价。

12.根据权利要求11所述的装置，其特征在于，所述用于进行下采样的结构包括池化层；和/或，所述与下采样相关的参数包括卷积层的步长。

13.根据权利要求12所述的装置，其特征在于，删除的所述池化层包括位于所述待训练的第一神经网络浅层的部分池化层，和/或，步长减小的所述卷积层包括位于所述待训练的第一神经网络浅层的部分卷积层。

14.一种神经网络训练装置，其特征在于，包括：网络构建模块，用于根据已训练完成的第二卷积神经网络构建待训练的第一卷积神经网络，其中，所述第二卷积神经网络训练用的样本图像的分辨率大于所述待训练的第一卷积神经网络训练用的样本图像的分辨率；

网络调整模块，用于基于所述待训练的第一卷积神经网络训练用的样本图像、并以所述第二卷积神经网络的输出为指导信息，调整所述待训练的第一卷积神经网络的网络参数，以得到训练完成的第一卷积神经网络，其中，所述网络构建模块，包括：

结构删除子模块，用于删除所述第二卷积神经网络中部分用于进行下采样的结构，和/或，

参数减小子模块，用于减小所述第二卷积神经网络中与下采样相关的参数，得到所述待训练的第一卷积神经网络。

15.根据权利要求14所述的装置，其特征在于，所述用于进行下采样的结构包括池化层；和/或，所述与下采样相关的参数包括卷积层的步长。

16.根据权利要求15所述的装置，其特征在于，删除的所述池化层包括位于所述待训练的第一神经网络浅层的部分池化层，和/或，步长减小的所述卷积层包括位于所述待训练的第一神经网络浅层的部分卷积层。

17.一种电子设备，其特征在于，包括：处理器、存储器、通信元件和通信总线，所述处理器、所述存储器和所述通信元件通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1‑5任一项所述的目标跟踪方法对应的操作。

18.一种电子设备，其特征在于，包括：处理器、存储器、通信元件和通信总线，所述处理器、所述存储器和所述通信元件通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求6‑8任一项所述的神经网络训练方法对应的操作。

19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有：用于基于第一卷积神经网络对视频图像进行目标预测，得到所述视频图像中的多个目标预测区域的可执行指令；所述第一卷积神经网络通过对已训练完成的第二卷积神经网络执行以下处理构建而成：删除已训练完成的第二卷积神经网络中部分用于进行下采样的结构，和/或，减小所述第二卷积神经网络中与下采样相关的参数，并且所述第一卷积神经网络的网络参数基于用于训练第一卷积神经网络的样本图像、并以所述第二卷积神经网络的输出为指导信息被调整而得到，其中，所述第二卷积神经网络训练用的样本图像的分辨率大于所述第一卷积神经网络训练用的样本图像的分辨率；

用于对所述多个目标预测区域中的部分目标预测区域进行预测结果评价检测的可执行指令；

用于确定所述部分目标预测区域中检测结果满足设定条件的目标预测区域的可执行指令；

用于在包括所述视频图像的视频帧序列中根据满足设定条件的目标预测区域的位置信息进行目标跟踪的可执行指令，

其中，用于对所述多个目标预测区域中的部分目标预测区域进行预测结果评价检测的可执行指令，包括：

用于针对所述部分目标预测区域中的每个目标预测区域，分别检测每个目标预测区域的第一损失代价信息和第二损失代价信息的可执行指令。

20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有：用于根据已训练完成的第二卷积神经网络构建待训练的第一卷积神经网络的可执行指令，其中，所述第二卷积神经网络训练用的样本图像的分辨率大于所述待训练的第一卷积神经网络训练用的样本图像的分辨率；

用于基于所述待训练的第一卷积神经网络训练用的样本图像、并以所述第二卷积神经网络的输出为指导信息，调整所述待训练的第一卷积神经网络的网络参数，以得到训练完成的第一卷积神经网络的可执行指令，其中，用于根据已训练完成的第二卷积神经网络构建待训练的第一卷积神经网络的可执行指令，包括：

用于删除所述第二卷积神经网络中部分用于进行下采样的结构的可执行指令，和/或，用于减小所述第二卷积神经网络中与下采样相关的参数，得到所述待训练的第一卷积神经网络的可执行指令。