1.一种图像实例分割方法，其特征在于，所述图像实例分割方法包括以下步骤：利用对齐查询学习模块基于地面真值掩码和像素嵌入特征图生成对齐查询，其中，所述像素嵌入特征图通过对初始图像进行处理后所得到；通过自注意力变换解码器基于所述对齐查询得到预测分割掩码和预测分类，并基于第一预设学习损失函数计算所述预测分割掩码与预设标准分割掩码之间的第一误差，和基于第二预设学习损失函数计算所述预测分类与预设标准分类之间的第二误差；根据所述第一误差和所述第二误差进行反向传播，对所述对齐查询的分类分割任务关联参数进行调整得到调整后的对齐查询，其中，所述调整后的对齐查询中分割任务和分类任务一致；根据所述调整后的对齐查询和所述像素嵌入特征图得到所述初始图像的实例分割结果，其中，所述实例分割结果包括分类置信度、分类结果和掩码结果。
2.如权利要求1所述的图像实例分割方法，其特征在于，所述利用对齐查询学习模块基于地面真值掩码和像素嵌入特征图生成对齐查询的步骤，包括：利用所述对齐查询学习模块对所述地面真值掩码和所述像素嵌入特征图进行随机点采样，得到点采样地面真值掩码和点采样像素嵌入；将所述点采样地面真值掩码和所述点采样像素嵌入相乘，得到掩码屏蔽点采样特征，使用全局平均池化和层归一化来聚合所述掩码屏蔽点采样特征后，通过多层感知机得到所述对齐查询。
3.如权利要求2所述的图像实例分割方法，其特征在于，所述根据所述调整后的对齐查询和所述像素嵌入特征图得到所述初始图像的实例分割结果的步骤，包括：通过所述自注意力变换解码器基于所述调整后的对齐查询和实例查询分别与所述像素嵌入特征图对应的特征向量做向量点乘，得到第一类特征向量和第二类特征向量；将所述第一类特征向量和所述第二类特征向量进行向量拼接，得到当前解码层的实例分割结果，其中，所述自注意力变换解码器存在若干解码层；根据所述当前解码层的实例分割结果确定所述初始图像的实例分割结果。
4.如权利要求3所述的图像实例分割方法，其特征在于，所述根据所述当前解码层的实例分割结果确定所述初始图像的实例分割结果的步骤，包括：基于所述当前解码层的实例分割结果对所述调整后的对齐查询进行更新，得到更新的对齐查询；将所述当前解码层的实例分割结果中包括的掩码结果输入到下一解码层中，并通过所述自注意力变换解码器基于所述掩码结果、所述更新的对齐查询和所述实例查询计算得到新的当前解码层的实例分割结果；判断新的当前解码层是否为所述自注意力变换解码器的最终解码层；若是，则将所述新的当前解码层的实例分割结果输出为所述初始图像的实例分割结果。
5.如权利要求4所述的图像实例分割方法，其特征在于，所述判断新的当前解码层是否为所述自注意力变换解码器的最终解码层的步骤之后，还包括：若所述当前解码层不为所述自注意力变换解码器的最终解码器层，则基于所述新的当前解码层的实例分割结果对所述更新的对齐查询进行更新，重以得到进一步更新的对齐查询。
6.如权利要求4所述的图像实例分割方法，其特征在于，在所述将所述当前解码层的实例分割结果中包括的掩码结果输入到下一解码层中的步骤之前，还包括：对所述更新的对齐查询和所述实例查询进行对齐标签分配学习，基于对齐标签分配学习后的对齐查询和实例查询进行所述实例分割结果的生成。
7.如权利要求6所述的图像实例分割方法，其特征在于，所述对所述更新的对齐查询和所述实例查询进行对齐标签分配学习的步骤包括：将所述实例查询和所述对齐查询基于二部图匹配为正样本和负样本后，使用预设掩码质量作为指导所述正样本的分类优化目标，同时对所述负样本的样本权重进行调整。
8.如权利要求1至7任一项所述的图像实例分割方法，其特征在于，所述图像实例分割方法的步骤，还包括：通过特征提取主干网络对所述初始图像进行逐层特征提取运算和下采样，得到多尺度特征图；通过像素解码器对所述多尺度特征图进行上采样和融合，得到所述像素嵌入特征图。
9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机处理程序，所述计算机处理程序配置为实现如权利要求1至至8中任一项所述的图像实例分割方法的步骤。
10.一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上存储有计算机处理程序，所述计算机处理程序被处理器执行时实现如权利要求1至8中任一项所述的图像实例分割方法的步骤。
