1.一种图像目标检测的模型建立方法，其特征在于，包括：对第一图像样本进行遮挡，以获得第一遮挡图像样本；

利用所述第一遮挡图像样本进行特征遮挡对抗网络模型的训练，所述特征遮挡对抗网络模型用于基于对抗网络获得图像样本的遮挡掩码；

进行检测网络模型的训练，且训练用的第二图像样本的特征图利用训练后的特征遮挡对抗网络模型添加有遮挡掩码，所述检测网络模型用于基于深度学习的图像目标检测。

2.根据权利要求1所述的方法，其特征在于，还包括：利用添加有遮挡掩码的特征图作为图像样本，继续进行特征遮挡对抗网络模型的训练。

3.根据权利要求1所述的方法，其特征在于，所述对第一图像样本进行遮挡，包括：确定第一图像样本中具有最大定位准确度的候选框；

将预设大小的滑动窗口映射到图像样本，并利用背景像素填充滑动窗口所在位置的图像区域；

利用检测网络模型进行填充后的图像样本的检测，将与候选框具有最大检测网络损失的所在位置处的滑动窗口作为第一图像样本的遮挡位置，以获得第一遮挡图像样本。

4.根据权利要求1所述的方法，其特征在于，所述进行检测网络模型的训练中，利用非极大值抑制算法确定预测框，其中，所述非极大值抑制算法中的预测框评价指标通过不同候选框的定位准确度和位置准确度确定。

5.根据权利要求4所述的方法，其特征在于，所述候选框评价指标CL的计算公式为：CL＝γ×soreclass+(1-γ)×scorelocation；其中，γ为超级参数，soreclass为分类准确率，scorelocation为定位准确度；

所述非极大值抑制算法的公式为：

其中，CL为不同候选框的定位准确度。

6.根据权利要求3-5中任一项所述的方法，其特征在于，预置有预测IoU网络模型，所述预测IoU网络模型用于获得不同候选框的定位准确度。

7.根据权利要求6所述的方法，其特征在于，所述预测IoU网络模型的训练方法包括：生成第三图像样本的候选框集合；

获得所述候选框集合中各候选框的定位准确度；

去除所述候选框集合中定位准确度小于预设阈值的候选框，以确定第三遮挡图像样本的训练集合；

利用所述训练集合进行预测IoU网络模型的训练。

8.一种图像目标检测的模型建立装置，其特征在于，包括：遮挡样本获取单元，用于对第一图像样本进行遮挡，以获得第一遮挡图像样本；

对抗网络训练单元，用于利用所述第一遮挡图像样本进行特征遮挡对抗网络模型的训练，所述特征遮挡对抗网络模型用于基于对抗网络获得图像样本的遮挡掩码；

检测网络训练单元，用于进行检测网络模型的训练，且训练用的第二图像样本的特征图利用训练后的特征遮挡对抗网络模型添加有遮挡掩码，所述检测网络模型用于基于深度学习的图像目标检测。

9.一种计算机可读存储介质，其特征在于，所述机算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的图像目标检测的模型建立方法。

10.一种计算机程序产品，其特征在于，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的图像目标检测的模型建立方法。