1.一种图像分类模型训练方法，其特征在于，所述方法包括：

获取多组训练数据，每一组所述训练数据包括一历史图像、所述历史图像中被标记为属于目标类别的第一像素点以及未被标记为属于所述目标类别的第二像素点；

根据所述多组训练数据，对图像分类模型进行迭代训练，直至满足停止训练条件，以得到训练完成的图像分类模型；

其中，在每一次的训练过程中，将一组训练数据的一历史图像输入至本次训练所使用的图像分类模型中，以及，每一次训练完毕后，若不满足所述停止训练条件，根据本次训练所使用的图像分类模型的目标损失值更新所述图像分类模型，并利用更新后的图像分类模型进行下一次训练；所述目标损失值根据本次训练所使用的历史图像中各个第一像素点的损失值确定，并且，在第一像素点的初始损失值大于损失阈值时，该第一像素点的损失值大于该第一像素点的初始损失值。

2.根据权利要求1所述的方法，其特征在于，每一所述第一像素点的损失值通过如下方式确定：将所述第一像素点对应的第一权重系数与所述第一像素点的初始损失值的乘积确定为所述第一像素点的损失值，其中，所述第一像素点对应的第一权重系数与所述第一像素点的初始损失值呈正相关关系。

3.根据权利要求2所述的方法，其特征在于，每一次训练完毕后，所述图像分类模型输出本次训练所使用的历史图像中各个像素点属于所述目标类别的概率；以及所述第一像素点对应的第一权重系数为所述第一像素点属于所述目标类别的概率的倒数与1的差值。

4.根据权利要求3所述的方法，其特征在于，第一像素点i的初始损失值为‑log(Pi)，其中，Pi为第一像素点i属于所述目标类别的概率。

5.根据权利要求1所述的方法，其特征在于，所述目标损失值还根据本次训练所使用的历史图像中各个第二像素点的损失值确定，且所述目标损失值为本次训练所使用的历史图像中各个像素点的损失值之和；以及每一所述第二像素点的损失值通过如下方式确定：

将预设的第二权重系数与所述第二像素点的初始损失值的乘积确定为所述第二像素点的损失值，其中，所述预设的第二权重系数处于(0,1]构成的数值区间内。

6.根据权利要求5所述的方法，其特征在于，每一次训练完毕后，所述图像分类模型输出本次训练所使用的历史图像中各个像素点属于所述目标类别的概率；以及第二像素点j的初始损失值为‑log(1‑Qj)，其中，Qj为第二像素点j属于所述目标类别的概率。

7.根据权利要求1‑6中任一项所述的方法，其特征在于，所述历史图像全部为医疗图像或全部为物品图像；

若所述历史图像全部为医疗图像，所述医疗图像中对应于身体组织变化的像素点属于所述目标类别；

若所述历史图像全部为物品图像，所述物品图像中对应于物品破损的像素点属于所述目标类别。

8.一种图像处理方法，其特征在于，所述方法包括：

获取待处理图像；

将所述待处理图像输入至目标图像分类模型，以获得所述目标图像分类模型的目标输出结果，其中，所述目标图像分类模型是根据权利要求1‑7中任一项所述的图像分类模型训练方法训练得到的，所述目标输出结果用于指示所述待处理图像中每个像素点是否属于所述目标类别；

显示所述目标输出结果，其中，属于所述目标类别的像素点与不属于所述目标类别的像素点具有不同的显示方式。

9.一种图像分类模型训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取多组训练数据，每一组所述训练数据包括一历史图像、所述历史图像中被标记为属于目标类别的第一像素点以及未被标记为属于所述目标类别的第二像素点；

训练模块，用于根据所述多组训练数据，对图像分类模型进行迭代训练，直至满足停止训练条件，以得到训练完成的图像分类模型；

其中，在每一次的训练过程中，将一组训练数据的一历史图像输入至本次训练所使用的图像分类模型中，以及，每一次训练完毕后，若不满足所述停止训练条件，根据本次训练所使用的图像分类模型的目标损失值更新所述图像分类模型，并利用更新后的图像分类模型进行下一次训练；所述目标损失值根据本次训练所使用的历史图像中各个第一像素点的损失值确定，并且，在第一像素点的初始损失值大于损失阈值时，该第一像素点的损失值大于该第一像素点的初始损失值。

10.根据权利要求9所述的装置，其特征在于，每一所述第一像素点的损失值通过如下方式确定：将所述第一像素点对应的第一权重系数与所述第一像素点的初始损失值的乘积确定为所述第一像素点的损失值，其中，所述第一像素点对应的第一权重系数与所述第一像素点的初始损失值呈正相关关系。

11.根据权利要求10所述的装置，其特征在于，每一次训练完毕后，所述图像分类模型输出本次训练所使用的历史图像中各个像素点属于所述目标类别的概率；以及所述第一像素点对应的第一权重系数为所述第一像素点属于所述目标类别的概率的倒数与1的差值。

12.根据权利要求11所述的装置，其特征在于，第一像素点i的初始损失值为‑log(Pi)，其中，Pi为第一像素点i属于所述目标类别的概率。

13.根据权利要求9所述的装置，其特征在于，所述目标损失值还根据本次训练所使用的历史图像中各个第二像素点的损失值确定，且所述目标损失值为本次训练所使用的历史图像中各个像素点的损失值之和；以及每一所述第二像素点的损失值通过如下方式确定：

将预设的第二权重系数与所述第二像素点的初始损失值的乘积确定为所述第二像素点的损失值，其中，所述预设的第二权重系数处于(0,1]构成的数值区间内。

14.根据权利要求13所述的装置，其特征在于，每一次训练完毕后，所述图像分类模型输出本次训练所使用的历史图像中各个像素点属于所述目标类别的概率；以及第二像素点j的初始损失值为‑log(1‑Qj)，其中，Qj为第二像素点j属于所述目标类别的概率。

15.根据权利要求9‑14中任一项所述的装置，其特征在于，所述历史图像全部为医疗图像或全部为物品图像；

若所述历史图像全部为医疗图像，所述医疗图像中对应于身体组织变化的像素点属于所述目标类别；

若所述历史图像全部为物品图像，所述物品图像中对应于物品破损的像素点属于所述目标类别。

16.一种图像处理装置，其特征在于，所述装置包括：

第二获取模块，用于获取待处理图像；

图像处理模块，用于将所述待处理图像输入至目标图像分类模型，以获得所述目标图像分类模型的目标输出结果，其中，所述目标图像分类模型是根据权利要求1‑7中任一项所述的图像分类模型训练方法训练得到的，所述目标输出结果用于指示所述待处理图像中每个像素点是否属于所述目标类别；

显示模块，用于显示所述目标输出结果，其中，属于所述目标类别的像素点与不属于所述目标类别的像素点具有不同的显示方式。

17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1‑7中任一项所述方法的步骤，或者，该程序被处理器执行时实现权利要求8所述方法的步骤。

18.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1‑7中任一项所述方法的步骤，或者，实现权利要求8所述方法的步骤。