1.一种基于小样本学习的无标签图像分类方法，其特征在于，具体按照以下步骤实施：步骤1、利用随机数据增强网络S将给定输入图像集M变换产生两个映射集构成注意力索引图像集K， 构成注意力权重图像集Q；

步骤2、利用深度神经编码器网络f(·)、g(·)分别对图像集Q、K进行编码，f(·)学习权重图像集Q的特征表示RQ，g(·)学习索引图像集K的特征表示RK，将训练好后的f(·)用于下游微调任务；

步骤3、经过编码器网络的特征表示构成正索引对 以及一组负样本

通过相似度度量函数S(RQ，RK)，度量RQ′与 之间的相似程度；

步骤4、通过对比预测损失函数L训练，提高RQ与正索引 的相似度，同时最小化RQ′与负索引 的相似度，当训练样本集M全部迭代完成，则训练结束；

步骤5、在测试阶段，针对C‑way、K‑shot任务，利用已训练好的编码器网络，对权重图像集Q进行分类；

所述步骤3具体按照以下步骤实施：

步骤3.1、同一批次的输入图像经讨随机数据增强网络后组成权重图像集Q，其中每一+特定的权重图片Q′，在由 构成注意力索引图像集K中有唯一对应的索引图片K ，即构成+ +正索引对(Q′，K)，此时除去K ，其他剩余的索引图像K均与该权重图片Q′不相对应，形成一‑ ‑组负样本{K }，构成负索引对(Q′，K)，经过深度神经编码器网络进行特征映射后得到的特征表示仍可以构成正索引对 以及同其负索引构成负索引对步骤3.2、经过编码器网络的特征表示构成正索引对 以及一组负样本选择合适的相似度度量函数，通过相似度度量函数S(RQ，RK)，度量RQ′与之间的相似程度，其中相似度度量函数S(RQ，RK)选择最大均值差异度量函数：其中nQ、nk分别表示批次输入时权重图像集Q特征表示RQ、索引图像集K特征表示RK的批次样本数量，k(·)表示核函数，通过核函数将每个样本映射到与核相关联的再生核希尔伯特空间H中；

通过选择高斯核进行计算，进一步将S(RQ，RK)化简为：

S(RQ，RK)＝tr(kl)

上式中 是一个复合高斯核矩阵，由分别在

权重图像集Q，索引图像集K的定义的核矩阵kQ，K、kQ，K、kK，K组成，l是一个矩阵，其元素lij的定义如下：

2.根据权利要求1所述的一种基于小样本学习的无标签图像分类方法，其特征在于，所述步骤1具体为，将给定的输入图像集M作为训练集，将训练集分批次输入到随机数据增强网络S中，随机数据增强网络S对训练集M分批次随机旋转裁剪变换，然后恢复至原始输入图像尺寸大小，在此基础上加入高斯噪声产生新的样本集 同时保留原训练集M记作构成注意力权重图像集Q， 构成注意力索引图像集K。

3.根据权利要求1所述的一种基于小样本学习的无标签图像分类方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、使用深度神经编码器网络进行特征映射，该深度神经编码器网络采用SENet架构，此时引入通道注意力机制；

步骤2.2、分别利用深度神经编码器网络f(·)、g(·)对权重图像集Q和索引图像集K进行编码，f(·)学习权重图像集Q的特征表示，记为RQ，g(t)学习索引图像集K的特征表示，记为RK，在训练过程中，将f(·)用于下游微调任务。

4.根据权利要求1所述的一种基于小样本学习的无标签图像分类方法，其特征在于，所述步骤4中对比预测损失函数L定义如下：其中，τ为超参数。

5.根据权利要求1所述的一种基于小样本学习的无标签图像分类方法，其特征在于，所述步骤5具体为，在测试阶段，给定索引图像集合{K}，以及要分类的权重图像集Q，针对C‑way、K‑shot任务，给定利用已训练好的深度神经编码器网络f(·)，对权重图像集Q进行分类，分类器Cf通过对比最相似的权重图像集Q与索引图像Ki相匹配，通过相似度度量可以使分类过程无需使用标签，通过度量最大均值差异，分类器Cf函数如下：