1.一种家居图像多目标识别方法，其特征在于，包括：

获取家居图像数据集作为训练集；

将在目标领域图像数据集上训练好的卷积神经网络模型作为预训练模型，采用迁移学习的方法，保留预训练模型的卷积层和池化层，并将预训练模型中卷积层和池化层学习到的特征权重作为训练集训练的初始特征权重，通过保留的卷积层和池化层提取训练集的图像特征，构建第一特征图和池化特征图；其中，所述第一特征图是由保留的预训练模型的最后一层卷积层输出，所述池化特征图是由保留的预训练模型的最后一层池化层输出；

对池化特征图进行三次卷积操作，得到第二特征图；

对第一特征图和第二特征图依次作全局均值池化、归一化、反池化、反卷积操作，将反卷积操作后的两组特征图进行融合；

利用softmax分类器对融合后的特征图进行分类识别。

2.根据权利要求1所述的家居图像多目标识别方法，其特征在于，所述对池化特征图进行三次卷积操作，得到第二特征图包括：将卷积神经网络模型的全连接层替换成三层全卷积层；

利用得到的三层全卷积层，对池化特征图进行三次卷积操作，得到第二特征图。

3.根据权利要求1所述的家居图像多目标识别方法，其特征在于，全局均值池化操作是将第一特征图的所有像素值相加再除以第一特征图的大小，得到第一特征图的像素平均值；还用于将第二特征图的所有像素值相加再除以第二特征图的大小，得到第二特征图的像素平均值。

4.根据权利要求1所述的家居图像多目标识别方法，其特征在于，所述将反卷积操作后的两组特征图进行融合包括：将反卷积操作后的两组特征图按位相加进行融合。

5.根据权利要求1所述的家居图像多目标识别方法，其特征在于，所述利用softmax分类器对融合后的特征图进行分类识别包括：使用softmax分类器对融合特征图的每一个像素点计算分类损失，将每个像素点在所有第二特征图中该像素位置的概率最高的类别作为该像素点的类别。

6.一种家居图像多目标识别装置，其特征在于，包括：获取模块和用于家居图像识别的多目标识别卷积神经网络模型；所述多目标识别卷积神经网络模型包括：特征迁移模块、全卷积模块、特征融合模块、分类模块；其中，获取模块，用于获取家居图像数据集作为训练集；

特征迁移模块，用于将在目标领域图像数据集上训练好的卷积神经网络模型作为预训练模型，采用迁移学习的方法，保留预训练模型的卷积层和池化层，并将预训练模型中卷积层和池化层学习到的特征权重作为训练集训练的初始特征权重，通过保留的卷积层和池化层提取训练集的图像特征，构建第一特征图和池化特征图；其中，所述第一特征图是由保留的预训练模型的最后一层卷积层输出，所述池化特征图是由保留的预训练模型的最后一层池化层输出；

全卷积模块，用于对池化特征图进行三次卷积操作，得到第二特征图；

特征融合模块，用于对第一特征图和第二特征图依次作全局均值池化、归一化、反池化、反卷积操作，将反卷积操作后的两组特征图进行融合；

分类模块，用于利用softmax分类器对融合后的特征图进行分类识别。

7.根据权利要求6所述的家居图像多目标识别装置，其特征在于，所述全卷积模块包括：替换单元，用于将卷积神经网络模型的全连接层替换成三层全卷积层；

操作单元，用于利用得到的三层全卷积层，对池化特征图进行三次卷积操作，得到第二特征图。

8.根据权利要求6所述的家居图像多目标识别装置，其特征在于，全局均值池化操作是将第一特征图的所有像素值相加再除以第一特征图的大小，得到第一特征图的像素平均值；还用于将第二特征图的所有像素值相加再除以第二特征图的大小，得到第二特征图的像素平均值。

9.根据权利要求6所述的家居图像多目标识别装置，其特征在于，所述分类模块，用于使用softmax分类器对融合特征图的每一个像素点计算分类损失，将每个像素点在所有第二特征图中该像素位置的概率最高的类别作为该像素点的类别。