1.快速适应新场景的教室姿态检测模型参数训练方法，其特征在于，包括以下步骤：

步骤1：将教室姿态检测模型的参数进行随机初始化；

步骤2：将教室姿态检测数据集按场景划分为小目标数据集；按场景划分小目标数据集，是指按所拍摄的图片中教室座位分布划分数据集，即监控器拍摄的同一位置的数据作为一个数据集；

步骤3：将模型参数φ复制一份，复制的模型参数记为θ0；

步骤4：随机选取其中n个小目标数据集，将复制的模型参数θ0依次在各个小目标数据集的训练集上进行训练并在对应测试集上测得教室姿态检测模型的损失{li|i＝1,2,...,n}；随机选取小目标数据集时，设全体小目标数据集的集合为{Di|i＝1,2,...,N}，其中Di表示集合中第i个小目标数据，N为小目标数据集的总个数，每个小目标数据集均标记为未抽取，每次在集合中依次随机选取n个标记为未被抽取过小目标数据集，并将抽取的小目标数据集标记为已抽取，当没有小目标数据集可以抽取时再将集合中所有的小目标数据集重新标记为未抽取；每次随机抽取n个小目标数据集，n为整数且4≤n≤nmax，其中nmax为随机抽取小目标数据集的最大个数，表示为：其中，N为小目标数据集的总个数， 为向下取整符号；

步骤5：将步骤4中在各个小目标数据集的测试集上测得的损失求平均，得步骤6：将 用作是模型参数为φ的教室姿态检测模型的损失，以此对教室姿态检测模型的参数进行梯度下降，得到新的参数φ′，将φ的值替换为φ′；

步骤7：重复步骤3‑6，直到损失 收敛，保存模型参数φ。

2.根据权利要求1所述的快速适应新场景的教室姿态检测模型参数训练方法，其特征在于，将复制的模型参数θ0依次在n个小目标数据集的训练集上进行训练时，在模型参数θi‑1下第i个小目标数据集的训练集上抽取模型设置的超参数batch数目的标注图片送入模型，求得损失，并根据损失对模型参数进行一次梯度更新，梯度更新后得到模型参数θi，在模型参数θi下再在该小目标数据集的测试集上抽取超参数batch数目的标注图片送入模型，在模型参数θi下得到的预测结果和人工标注结果之间的差值即为损失li。

3.应用权利要求1所述的快速适应新场景的教室姿态检测模型参数训练方法的装置，其特征在于，所述装置包括数据获取模块、小目标数据集划分单元、小目标数据集随机选择单元、损失计算单元以及梯度下降单元，其中：数据获取模块，用于获取教室姿态检测数据以及与教室姿态检测模型进行数据交换，包括获取教室姿态模型的检测结果和模型参数；

小目标数据集划分单元，用于对获取的原始数据进行划分，包括获得教室姿态检测数据为按所拍摄的图片后，根据教室座位分布划分小目标数据集，即不同监控器拍摄的同一位置的数据作为一个数据集；

小目标数据集随机选择单元，用于从小目标数据集划分单元随机选择小目标数据集，并将选择的小目标数据集中的数据输入教室姿态检测模型中；小目标数据集随机选择单元选取小目标数据集时，设全体小目标数据集的集合为{Di|i＝1,2,...,N}，其中N为小目标数据集的总个数，每个小目标数据集均标记为未抽取，每次在集合中依次随机选取n个标记为未被抽取过小目标数据集，并将抽取的小目标数据集标记为已抽取，当没有小目标数据集可以抽取时再将集合中所有的小目标数据集重新标记为未抽取；小目标数据集随机选择单元每次随机抽取n个小目标数据集，n为整数且4≤n≤nmax，其中nmax为随机抽取小目标数据集的最大个数，表示为：其中，N为小目标数据集的总个数， 为向下取整符号；

损失计算单元，用户从教室姿态检测模型中获取每个小目标数据集的损失，并计算所有小目标数据集的损失的平均值；

梯度下降单元，根据损失计算单元计算的平均值进行梯度下降，获得教室姿态检测模型的新参数，并将该参数发送给教室姿态检测模型。

4.根据权利要求3所述的应用权利要求1所述的快速适应新场景的教室姿态检测模型参数训练方法的装置，其特征在于，教室姿态检测模型获取损失时，将模型的原参数θ0依次在n个小目标数据集的训练集上进行训练时，在模型参数θi‑1下第i个小目标数据集的训练集上抽取模型设置的超参数batch数目的标注图片送入模型，求得损失，并根据损失对模型参数进行一次梯度更新，梯度更新后得到模型参数θi，在模型参数θi下再在该小目标数据集的测试集上抽取超参数batch数目的标注图片送入模型，在模型参数θi下得到的预测标签和人工标注标签之间的差值即为损失值li，其中1≤i≤n。