1.基于残差图卷积网络与卷积门控循环单元的实例分割方法，其特征在于，包括以下步骤：步骤(1)将待分割的图像输入到特征提取网络，得到图片特征、实例中心热点图和轮廓节点偏移量序列；

步骤(2)根据实例中心热点图以及轮廓节点偏移量序列，获取初始轮廓C

步骤(3)将初始化轮廓C

步骤(4)将更新后的轮廓C

步骤(3)中，所述RGCN变形网络由K个RGCN子模块构成，每个RGCN子模块由1个特征采样器、1个ResidualGCN模块和1个加法器组成；各个子模块串行连接；

RGCN子模块中，特征采样器对图片特征F和输入轮廓进行采样得到新的采样特征；ResidualGCN模块对采样特征进行融合处理，得到轮廓节点偏移量；加法器基于轮廓节点偏移量进行轮廓的更新；

根据初始轮廓C

每个所述ResidualGCN模块由4个GCN+ReLU模块、3个加法器、2个连接器、1个Maxpooling模块和2个1×1Conv+ReLU模块组成；GCN+ReLU模块用于提取轮廓节点的特征；加法器用于将两层特征相加，形成新的特征；连接器用于拼接各个特征，得到更高维度的特征矩阵；Maxpooling模块用于降低特征矩阵的尺度；1×1Conv+ReLU模块用于特征降维；

先将采样特征输入第一个GCN+ReLU模块，所产生的输出值被输入第二个GCN+ReLU模块；然后将第二个GCN+ReLU模块的输出值与第一个GCN+ReLU模块的输出值相加后的结果输入第三个GCN+ReLU模块，而第三个GCN+ReLU模块的输出值与第一个GCN+ReLU模块的输出值相加后的结果被输入第四个GCN+ReLU模块；再将第四个GCN+ReLU模块的输出值与第一个GCN+ReLU模块的输出值相加，并与前三个GCN+ReLU模块的输出值拼接，得到一个四维特征矩阵，再经过Max pooling模块后与原特征矩阵拼接；最后通过两个1×1Conv+ReLU模块降维，得到轮廓偏移量序列ΔC步骤(4)中，所述CGRU变形网络由L个CGRU子模块构成，其中第一个CGRU子模块由1个tanh激活模块、1个特征采样器、1个轮廓变形模块和1个加法器组成，后续L-1个CGRU子模块，均由1个特征采样器、1个轮廓变形模块和1个加法器组成，各个CGRU子模块串行连接；

首先，第一个CGRU子模块中，将经过步骤(3)中得到的变形轮廓C

第一个CGRU子模块之后的第i个CGRU子模块的输入为轮廓C

所述轮廓变形模块具体为CGRU变形模块，所述CGRU变形模块由特征聚合模块和CGRU迭代器组成；

所述特征聚合模块包括相互堆叠的8个具有残差连接的圆卷积层；圆卷积将输入序列的头部和尾部相连，再进行卷积操作，且输出特征与输入特征具有相同的长度，将所有圆卷积层输出的特征进行拼接，并通过3个1×1的卷积层转发后，与轮廓C所述CGRU迭代器基于GRU门控循环单元进行构造，将GRU门控循环单元中的全连接层替换为1-D卷积层；

首先，将聚合特征g

2.如权利要求1所述的基于残差图卷积网络与卷积门控循环单元的实例分割方法，其特征在于，步骤(1)中，所述特征提取网络为深层聚合网络DLA34。

3.如权利要求1所述的基于残差图卷积网络与卷积门控循环单元的实例分割方法，其特征在于，所述特征采样器采用双线性插值采样；所述K的取值为2-4。

4.如权利要求1所述的基于残差图卷积网络与卷积门控循环单元的实例分割方法，其特征在于，所述L的取值为4-6。