1.一种基于嵌入平滑图神经网络的小样本遥感图像场景分类方法，其特征在于，该方法具体包括以下步骤：S1：收集遥感图像，构建训练集、测试集和验证集；

S2：从训练集中，随机采样多个小样本数据集，每个小样本数据集都分为支撑集和查询集；

S3：通过嵌入学习模块提取场景嵌入特征，将支撑集每个类的样本和查询集样本xi同时输入到特征提取网络fθ中，得到嵌入特征Z；

S4：将得到的嵌入特征Z输入到嵌入平滑模块中转化为一组插值特征，进而平滑嵌入特征；具体包括以下步骤：步骤S41：计算嵌入特征中查询集样本和支撑集样本的成对特征(i,j)的距离dij，根据得到的距离构建相邻矩阵Aij，计算公式为：其中，σ为尺度参数，并且对于任意测试样本i，Aii＝0，即任何测试样本和自身都应该属于同一类；当σ＝std(dij)时，训练阶段是很稳定；std(·)表示支撑集样本和查询集样本特征距离的标准差；

步骤S42：计算相邻矩阵的拉普拉斯算子，用于平滑嵌入特征；相邻矩阵的拉普拉斯算子S的计算公式为：其中，Dii表示图的度矩阵；

通过标签传播公式，得到支撑集和查询集的传播矩阵，然后通过以下公式操作得到平滑之后的嵌入特征，其计算公式为：其中，处理前的嵌入特征由嵌入学习模块得到， 为尺度参数，I为单位矩阵，其邻域的加权组合得到平滑的嵌入特征S5：采用注意力机制将平滑的嵌入特征转化为任务特征的关系表示，从而对支撑集中不同类别的样本和查询集样本进行图的构造，进而得到支持集样本和查询集样本节点之间的距离和任务的关系；

S6：计算支撑集样本与查询集样本的类别相似度，利用标签匹配模块对图像进行类名标注，即通过直推式学习迭代生成查询集中样本的预测标签，直到得到最优解；

S7：计算查询集中样本的真实标签与预测标签之间的交叉熵损失，并通过端到端的反向传播的方式更新各个模块的参数；

S8：重复步骤S2～S7，直到各个模块或网络的参数收敛。

2.根据权利要求1所述的小样本遥感图像场景分类方法，其特征在于，步骤S5中，采用注意力机制将平滑的嵌入特征转化为任务特征的关系表示，具体包括以下步骤：S51：给定光滑的嵌入特征 对于节点i，利用注意力机制产生更具分辨性的特征表示得到目标嵌入特征与任务中所有其他样本特征的对应关系值；

S52：构造k‑最邻近图，即找出测试样本附近的k个最近样本，矩阵A的每一行保留前k个最大值，然后在A上应用归一化图拉普拉斯，构建图结构，即节点之间的相似度矩阵。

3.根据权利要求2所述的小样本遥感图像场景分类方法，其特征在于，步骤S51具体包括：给定光滑的嵌入特征 对于节点i，利用注意力机制，得到目标嵌入特征与任务中所有其他样本特征的对应关系值，对应的注意力值的计算公式为：其中， 为自适应任务注意力模块获取的注意力值，用来表示节点之间相似度的权重，N表示每个小样本任务有N个类别，K表示每个支撑集中的每个类别有K个样本，T表示每个查询集中所有类别共有T个样本，m表示m个小样本任务；sij表示查询集样本的节点i与支撑集样本的节点j之间的相似度，其计算公式为：其中，将查询集中目标样本光滑的嵌入特征 重塑为 采用矩阵求逆运算， 为成对的距离运算，然后利用Wi,j整合任务级信息，得到当前任务的关系表示，其计算公式表示为：

4.根据权利要求3所述的小样本遥感图像场景分类方法，其特征在于，步骤S52中，节点i与j之间的相似度矩阵L的计算公式为：其中，Oii表示图的度矩阵。

5.根据权利要求4所述的小样本遥感图像场景分类方法，其特征在于，步骤S6中，计算支持集样本与查询集样本的类别相似度，利用标签匹配模块对图像进行类名标注，具体包括以下步骤：步骤S61：对查询集Q进行预测；

步骤S62：在计算预测标签和真实标签之间的分类损失时，采用交叉熵损失对所有可学习的参数进行端到端的训练。

6.根据权利要求5所述的小样本遥感图像场景分类方法，其特征在于，步骤S61中，对查询集Q进行预测，具体包括：设G代表矩阵的集合，每个矩阵由非负值组成，其形状为(N×K+T)×N；如果一个xi属于支撑集并且yi＝1，那么Y∈G的标签矩阵则由Yij＝1组成，否则Yij＝

0；给定标签矩阵Y，在采用标签传播公式构造图上，标签匹配迭代地识别S∪Q，其公式为：Gt+1＝γLGt+(1‑γ)Y

其中，GT∈G表示第t轮的标签矩阵，L为归一化图权重，γ∈(0,1)，是相邻数值和Y的加权求和；当t足够大时，修正序列有一个封闭解，即预测标签相对于每个类别的预测得分，其公式如下：* ‑1

G＝(I‑γL) Y

其中，I表示单位矩阵。

7.根据权利要求6所述的小样本遥感图像场景分类方法，其特征在于，步骤S62具体包* *括：把来自于S∪Q的真实标签和预测得分G作为相应的输入，把G 输入到softmax函数后得到预测概率P，其计算公式为：其中， 是S∪Q中第i个样本的最后预测标号， 表示 的第j个元素；相应的损失如下面公式：其中，LCE表示模型的分类损失； 为指示函数，当u为假时， 当u为真时，表示样本xi对应的真实标签，即得到每个测试标签所匹配到的类别。