1.一种图像分割神经网络的训练方法，其特征在于，所述方法包括：利用图像分割神经网络将样本图像按照目标方向划分成多个区段，确定所述多个区段中每个区段中的至少一个长条状对象所在的目标区域，并获取所述目标区域中的需要分割的长条状对象的位置信息；其中，针对每个区段，该区段对应的目标区域为覆盖该区段所包含的所述至少一个长条状对象的整体的区域；所述样本图像标注有所述需要分割的长条状对象的位置标注信息；

基于所述需要分割的长条状对象的位置信息和所述需要分割的长条状对象的位置标注信息，对所述图像分割神经网络进行训练。

2.根据权利要求1所述的方法，其特征在于，所述将样本图像按照目标方向划分成多个区段，确定所述多个区段中每个区段中的至少一个长条状对象所在的目标区域，包括：将所述样本图像按照目标方向划分成多个区段，所述目标方向至少包括垂直方向或水平方向；

分别针对所述多个区段中的任一区段，在所述任一区段中确定所述至少一个长条状对象对应的感兴趣区域ROI，所述ROI通过第一边界和第二边界确定，所述第一边界和第二边界的方向垂直于所述目标方向；

基于所述多个区段中的ROI，确定至少一个长条状对象所在的目标区域。

3.根据权利要求2所述的方法，其特征在于，所述获取所述目标区域中的需要分割的长条状对象的位置信息，包括：

分别针对所述多个区段中的任一区段，对所述任一区段中的ROI进行特征提取，基于特征提取结果生成固定高度的特征向量；基于所述固定高度的特征向量，获取所述任一区段中的需要分割的长条状对象的位置信息。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述利用图像分割神经网络获取样本图像中的至少一个长条状对象所在的目标区域，并获取所述目标区域中的需要分割的长条状对象的位置信息，包括：

利用图像分割神经网络中的第一子网络获取样本图像中的至少一个长条状对象所在的目标区域，利用所述图像分割神经网络中的第二子网络获取所述目标区域中的需要分割的长条状对象的位置信息。

5.根据权利要求4所述的方法，其特征在于，所述利用图像分割神经网络中的第一子网络获取样本图像中的至少一个长条状对象所在的目标区域之前，所述方法还包括：利用所述图像分割神经网络中的第三子网络获取所述样本图像的特征图；

相应地，所述利用图像分割神经网络中的第一子网络获取样本图像中的至少一个长条状对象所在的目标区域，包括：

利用图像分割神经网络中的第一子网络对所述样本图像的特征图进行处理，得到所述样本图像中的至少一个长条状对象所在的目标区域。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述目标区域中的需要分割的长条状对象的个数为一个或多个。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述基于所述需要分割的长条状对象的位置信息和所述需要分割的长条状对象的位置标注信息，对所述图像分割神经网络进行训练，包括：

基于所述需要分割的长条状对象的位置信息和所述需要分割的长条状对象的位置标注信息，获取第一损失函数值；

确定所述第一损失函数值是否满足第一预设条件；

响应于所述第一损失函数值不满足第一预设条件，基于所述第一损失函数值对所述图像分割神经网络的参数值进行调整，然后迭代执行如下操作，直至所述第一损失函数值满足第一预设条件：利用图像分割神经网络中的第一子网络获取样本图像中的至少一个长条状对象所在的目标区域，利用所述图像分割神经网络中的第二子网络获取所述目标区域中的需要分割的长条状对象的位置信息。

8.根据权利要求1至7任一项所述的方法，其特征在于，所述至少一个长条状对象所在的目标区域、所述目标区域中的需要分割的长条状对象的位置信息以及所述需要分割的长条状对象的位置标注信息，均通过热度信息表示。

9.一种图像分割方法，其特征在于，所述方法包括：获取目标图像；

利用图像分割神经网络将目标图像按照目标方向划分成多个区段，确定所述多个区段中每个区段中的至少一个长条状对象所在的目标区域，并获取所述目标区域中的需要分割的长条状对象的位置信息，基于所述长条状对象的位置信息获得所述长条状对象的分割结果；针对每个区段，该区段对应的目标区域为覆盖该区段所包含的所述至少一个长条状对象的整体的区域。

10.根据权利要求9所述的方法，其特征在于，所述将目标图像按照目标方向划分成多个区段，确定所述多个区段中每个区段中的至少一个长条状对象所在的目标区域，包括：将所述目标图像按照目标方向划分成多个区段，所述目标方向至少包括垂直方向或水平方向；

分别针对所述多个区段中的任一区段，在所述任一区段中确定所述至少一个长条状对象对应的ROI，所述ROI通过第一边界和第二边界确定，所述第一边界和第二边界的方向垂直于所述目标方向；

基于所述多个区段中的ROI，确定至少一个长条状对象所在的目标区域。

11.根据权利要求10所述的方法，其特征在于，所述获取所述目标区域中的需要分割的长条状对象的位置信息，包括：

分别针对所述多个区段中的任一区段，对所述任一区段中的ROI进行特征提取，基于特征提取结果生成固定高度的特征向量；基于所述固定高度的特征向量，获取所述任一区段中的需要分割的长条状对象的位置信息。

12.根据权利要求9至11任一项所述的方法，其特征在于，所述利用图像分割神经网络获取目标图像中的至少一个长条状对象所在的目标区域，并获取所述目标区域中的需要分割的长条状对象的位置信息，包括：利用图像分割神经网络中的第一子网络获取目标图像中的至少一个长条状对象所在的目标区域，利用所述图像分割神经网络中的第二子网络获取所述目标区域中的需要分割的长条状对象的位置信息。

13.根据权利要求12所述的方法，其特征在于，所述利用图像分割神经网络中的第一子网络获取目标图像中的至少一个长条状对象所在的目标区域之前，所述方法还包括：利用所述图像分割神经网络中的第三子网络获取所述目标图像的特征图；

相应地，所述利用图像分割神经网络中的第一子网络获取目标图像中的至少一个长条状对象所在的目标区域，包括：

利用图像分割神经网络中的第一子网络对所述目标图像的特征图进行处理，得到所述目标图像中的至少一个长条状对象所在的目标区域。

14.根据权利要求9至13任一项所述的方法，其特征在于，所述目标区域中的需要分割的长条状对象的个数为一个或多个。

15.根据权利要求9至14任一项所述的方法，其特征在于，所述至少一个长条状对象所在的目标区域、所述目标区域中的需要分割的长条状对象的位置信息以及所述需要分割的长条状对象的位置标注信息，均通过热度信息表示。

16.一种图像分割神经网络的训练装置，其特征在于，所述装置包括：获取单元，用于利用图像分割神经网络将样本图像按照目标方向划分成多个区段，确定所述多个区段中每个区段中的至少一个长条状对象所在的目标区域，并获取所述目标区域中的需要分割的长条状对象的位置信息；其中，针对每个区段，该区段对应的目标区域为覆盖该区段所包含的所述至少一个长条状对象的整体的区域；所述样本图像标注有所述需要分割的长条状对象的位置标注信息；

训练单元，用于基于所述需要分割的长条状对象的位置信息和所述需要分割的长条状对象的位置标注信息，对所述图像分割神经网络进行训练。

17.根据权利要求16所述的装置，其特征在于，所述获取单元，用于将所述样本图像按照目标方向划分成多个区段，所述目标方向至少包括垂直方向或水平方向；分别针对所述多个区段中的任一区段，在所述任一区段中确定所述至少一个长条状对象对应的ROI，所述ROI通过第一边界和第二边界确定，所述第一边界和第二边界的方向垂直于所述目标方向；

基于所述多个区段中的ROI，确定至少一个长条状对象所在的目标区域。

18.根据权利要求17所述的装置，其特征在于，所述获取单元，用于分别针对所述多个区段中的任一区段，对所述任一区段中的ROI进行特征提取，基于特征提取结果生成固定高度的特征向量；基于所述固定高度的特征向量，获取所述任一区段中的需要分割的长条状对象的位置信息。

19.根据权利要求16至18任一项所述的装置，其特征在于，所述获取单元包括：第一获取子单元，用于利用图像分割神经网络中的第一子网络获取样本图像中的至少一个长条状对象所在的目标区域；

第二获取子单元，用于利用所述图像分割神经网络中的第二子网络获取所述目标区域中的需要分割的长条状对象的位置信息。

20.根据权利要求19所述的装置，其特征在于，所述获取单元还包括：第三获取子单元，用于利用所述图像分割神经网络中的第三子网络获取所述样本图像的特征图；

所述第一获取子单元，用于利用图像分割神经网络中的第一子网络对所述样本图像的特征图进行处理，得到所述样本图像中的至少一个长条状对象所在的目标区域。

21.根据权利要求16至20任一项所述的装置，其特征在于，所述目标区域中的需要分割的长条状对象的个数为一个或多个。

22.根据权利要求16至21任一项所述的装置，其特征在于，所述训练单元，用于基于所述需要分割的长条状对象的位置信息和所述需要分割的长条状对象的位置标注信息，获取第一损失函数值；确定所述第一损失函数值是否满足第一预设条件；响应于所述第一损失函数值不满足第一预设条件，基于所述第一损失函数值对所述图像分割神经网络的参数值进行调整，然后迭代执行如下操作，直至所述第一损失函数值满足第一预设条件：利用图像分割神经网络中的第一子网络获取样本图像中的至少一个长条状对象所在的目标区域，利用所述图像分割神经网络中的第二子网络获取所述目标区域中的需要分割的长条状对象的位置信息。

23.根据权利要求16至22任一项所述的装置，其特征在于，所述至少一个长条状对象所在的目标区域、所述目标区域中的需要分割的长条状对象的位置信息以及所述需要分割的长条状对象的位置标注信息，均通过热度信息表示。

24.一种图像分割装置，其特征在于，所述装置包括：第一获取单元，用于获取目标图像；

第二获取单元，用于利用图像分割神经网络将目标图像按照目标方向划分成多个区段，确定所述多个区段中每个区段中的至少一个长条状对象所在的目标区域，并利用所述图像分割神经网络中的第二子网络获取所述目标区域中的需要分割的长条状对象的位置信息；其中，针对每个区段，该区段对应的目标区域为覆盖该区段所包含的所述至少一个长条状对象的整体的区域；

分割单元，用于基于所述长条状对象的位置信息获得所述长条状对象的分割结果。

25.根据权利要求24所述的装置，其特征在于，所述第二获取单元，用于将所述目标图像按照目标方向划分成多个区段，所述目标方向至少包括垂直方向或水平方向；分别针对所述多个区段中的任一区段，在所述任一区段中确定所述至少一个长条状对象对应的ROI，所述ROI通过第一边界和第二边界确定，所述第一边界和第二边界的方向垂直于所述目标方向；基于所述多个区段中的ROI，确定至少一个长条状对象所在的目标区域。

26.根据权利要求25所述的装置，其特征在于，所述第二获取单元，用于分别针对所述多个区段中的任一区段，对所述任一区段中的ROI进行特征提取，基于特征提取结果生成固定高度的特征向量；基于所述固定高度的特征向量，获取所述任一区段中的需要分割的长条状对象的位置信息。

27.根据权利要求24至26任一项所述的装置，其特征在于，所述第二获取单元包括：第一获取子单元，用于利用图像分割神经网络中的第一子网络获取目标图像中的至少一个长条状对象所在的目标区域；

第二获取子单元，用于利用所述图像分割神经网络中的第二子网络获取所述目标区域中的需要分割的长条状对象的位置信息。

28.根据权利要求27所述的装置，其特征在于，所述第二获取单元还包括：第三获取子单元，用于利用所述图像分割神经网络中的第三子网络获取所述目标图像的特征图；

所述第一获取子单元，用于利用图像分割神经网络中的第一子网络对所述目标图像的特征图进行处理，得到所述目标图像中的至少一个长条状对象所在的目标区域。

29.根据权利要求24至28任一项所述的装置，其特征在于，所述目标区域中的需要分割的长条状对象的个数为一个或多个。

30.根据权利要求24至29任一项所述的装置，其特征在于，所述至少一个长条状对象所在的目标区域、所述目标区域中的需要分割的长条状对象的位置信息以及所述需要分割的长条状对象的位置标注信息，均通过热度信息表示。

31.一种存储介质，其特征在于，所述存储介质上存储有可执行指令，该可执行指令被处理器执行时实现权利要求1至8任一项所述的方法步骤，或者权利要求9至15任一项所述的方法步骤。

32.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时可实现权利要求1至8任一项所述的方法步骤，或者权利要求9至15任一项所述的方法步骤。