1.一种神经网络训练方法，其特征在于，包括：获取包含待检测对象对应的三维标注数据的图像样本；

将所述图像样本输入至待训练神经网络中，生成所述图像样本中每个所述待检测对象的三维预测数据；

基于所述图像样本中每个所述待检测对象的所述三维标注数据指示的深度信息，确定所述待检测对象的权重；

基于每个所述待检测对象对应的所述权重、所述三维预测数据、和所述三维标注数据，训练所述待训练神经网络。

2.根据权利要求1所述的方法，其特征在于，所述基于所述图像样本中每个待检测对象的三维标注数据指示的深度信息，确定所述待检测对象的权重，包括：根据所述待检测对象的所述三维标注数据指示的深度信息与设置的第一深度阈值之间的比较结果，确定所述待检测对象的权重；

其中，所述待检测对象在所述深度信息小于或等于设置的第一深度阈值的情况下的权重，大于在所述深度信息大于设置的所述第一深度阈值的情况下的权重。

3.根据权利要求1所述的方法，其特征在于，所述基于所述图像样本中每个待检测对象的三维标注数据指示的深度信息，确定所述待检测对象的权重，包括：确定所述图像样本中每个待检测对象的三维标注数据指示的深度信息与设置的第二深度阈值之间的深度差值；

基于每个所述待检测对象对应的所述深度差值，确定所述待检测对象的所述权重，其中所述待检测对象对应的深度差值与所述权重呈反比关系。

4.根据权利要求1～3任一所述的方法，其特征在于，所述基于每个所述待检测对象对应的所述权重、所述三维预测数据、和所述三维标注数据，训练所述待训练神经网络，包括：基于每个所述待检测对象对应的所述三维预测数据、和所述三维标注数据，确定所述图像样本中每个所述待检测对象对应的损失值；

利用每个所述待检测对象对应的所述权重，对所述待检测对象的损失值进行调整，生成调整后的损失值；

基于各个所述待检测对象分别对应的所述调整后的损失值，训练所述待训练神经网络。

5.根据权利要求4所述的方法，其特征在于，在所述三维预测数据中包括待检测对象的三维预测框的尺寸数据的情况下，所述尺寸数据包括长度、宽度和高度，所述基于每个所述待检测对象对应的所述三维预测数据、和所述三维标注数据，确定所述图像样本中每个所述待检测对象对应的损失值，包括：确定所述三维预测框的预测长度与所述三维标注数据指示的真实长度之间的长度差值、预测宽度与所述三维标注数据指示的真实宽度之间的宽度差值、和预测高度与所述三维标注数据指示的真实高度之间的高度差值；

利用确定的所述三维预测框对应的长度权重、宽度权重和高度权重，对所述长度差值、所述宽度差值和所述高度差值进行重分配，生成重分配后的长度差值、重分配后的宽度差值和重分配后的高度差值；其中，重分配前的所述长度差值、所述宽度差值和所述高度差值之间的总和，与所述重分配后的长度差值、所述重分配后的宽度差值和所述重分配后的高度差值之间的总和相同；

基于所述重分配后的长度差值、所述重分配后的宽度差值和所述重分配后的高度差值，确定所述图像样本中每个所述待检测对象对应的尺寸损失值。

6.根据权利要求5所述的方法，其特征在于，根据下述步骤确定的所述长度权重、所述宽度权重和所述高度权重：

将所述三维预测框的预测长度的倒数确定为所述长度权重；

将所述三维预测框的预测宽度的倒数确定为所述宽度权重；

将所述三维预测框的预测高度的倒数确定为所述高度权重。

7.根据权利要求1所述的方法，其特征在于，所述待检测对象对应的三维标注数据包括以下至少一种：

所述待检测对象对应的三维标注框的尺寸数据、所述三维标注框的三维中心点在所述图像样本上的投影点的二维坐标、所述投影点的深度信息、所述待检测对象对应的所述三维标注框的朝向信息。

8.一种目标对象检测方法，其特征在于，包括：获取待检测数据；

基于所述待检测数据、和用于进行对象检测的第一目标神经网络，确定所述待检测数据中包括的每个目标对象的三维检测数据，其中，所述第一目标神经网络为利用权利要求1至7任一项所述的神经网络训练方法训练得到的。

9.一种行驶控制方法，其特征在于，包括：获取行驶装置在行驶过程中采集的道路图像；

利用基于权利要求1至7任一项所述的神经网络训练方法训练得到的第二目标神经网络对所述道路图像进行检测，得到所述道路图像中包括的目标对象的三维检测数据；

基于所述道路图像中包括的目标对象的三维检测数据，控制所述行驶装置。

10.一种神经网络训练装置，其特征在于，包括：第一获取模块，用于获取包含待检测对象对应的三维标注数据的图像样本；

第一生成模块，用于将所述图像样本输入至待训练神经网络中，生成所述图像样本中每个所述待检测对象的三维预测数据；

第一确定模块，用于基于所述图像样本中每个所述待检测对象的所述三维标注数据指示的深度信息，确定所述待检测对象的权重；

训练模块，用于基于每个所述待检测对象对应的所述权重、所述三维预测数据、和所述三维标注数据，训练所述待训练神经网络。

11.一种目标对象检测装置，其特征在于，包括：第二获取模块，用于获取待检测数据；

第二确定模块，用于基于所述待检测数据、和用于进行对象检测的第一目标神经网络，确定所述待检测数据中包括的每个目标对象的三维检测数据，其中，所述第一目标神经网络为利用权利要求1至7任一项所述的神经网络训练方法训练得到的。

12.一种行驶控制装置，其特征在于，包括：第三获取模块，用于获取行驶装置在行驶过程中采集的道路图像；

第二生成模块，用于利用基于权利要求1至7任一项所述的神经网络训练方法训练得到的第二目标神经网络对所述道路图像进行检测，得到所述道路图像中包括的目标对象的三维检测数据；

控制模块，用于基于所述道路图像中包括的目标对象的三维检测数据，控制所述行驶装置。

13.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的神经网络训练方法的步骤；或者执行如权利要求8所述的目标对象检测方法的步骤；或者执行如权利要求9所述的行驶控制方法的步骤。

14.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的神经网络训练方法的步骤；或者执行如权利要求8所述的目标对象检测方法的步骤；或者执行如权利要求9所述的行驶控制方法的步骤。