1.一种超图神经网络的小样本图像识别方法，其特征在于，包括：S101：构建小样本图像识别神经网络；其中，所述小样本图像识别神经网络包括卷积神经网络和超图神经网络；

S102：将训练集输入到所述小样本图像识别神经网络中进行训练；其中，所述训练集包括支持集和查询集；

S103：利用所述卷积神经网络中空洞卷积的不同感受野，得到所述训练集的多语义特征；

S104：根据所述训练集的多语义特征构建超节点，计算每两个超节点之间的语义相似度，根据所述每两个超节点之间的语义相似度构建超边，得到多语义超图；

S105：利用所述超图神经网络聚合所述多语义超图中超节点的所有超边信息更新所述训练集的初始超节点特征表示，得到所述训练集的超节点特征表示；

S106：根据所述训练集的超节点特征表示，得到多语义分布信息，将所述多语义分布信息与所述训练集的超节点特征表示进行信息交互，更新所述多语义超图的超边，得到新的多语义超图，返回执行所述步骤S105，以便迭代更新所述多语义超图直至更新次数到达既定阈值，得到所述训练集的目标超节点特征表示；

S107：根据所述训练集的目标超节点特征表示，计算所述查询集的超节点特征表示属于所述支持集类别的概率，得到所述查询集的分类结果。

2.根据权利要求1所述的方法，其特征在于，所述利用所述卷积神经网络中空洞卷积的不同感受野，得到所述训练集的多语义特征包括：将所述训练集输入到所述卷积神经网络CNN中；

k

利用所述卷积神经网络中空洞卷积的不同感受野，得到所述训练集的多语义特征U ＝DilatedConv(CNN(X),γk)；

其中，X为所述训练集，γk为所述空洞卷积的k次膨胀率，k∈{1,…,K}，K为所述多语义特征的数量。

3.根据权利要求1所述的方法，其特征在于，所述根据所述训练集的多语义特征构建超节点，计算每两个超节点之间的语义相似度，根据所述每两个超节点之间的语义相似度构建超边，得到多语义超图包括：

根据所述训练集的多语义特征构建超节点；

k k

通过所述多语义特征的关系矩阵A＝f(U ；Wk)，计算每两个超节点之间的多语义特征的相似度

其中，Wk为所述多语义特征的可训练参数， 为超节点i的多语义特征， 为超节点j的多语义特征，σ为激活函数；

根据所述每两个超节点之间的语义相似度构建超边，得到多语义超图。

4.根据权利要求1所述的方法，其特征在于，所述利用所述超图神经网络聚合所述多语义超图中超节点的所有超边信息更新所述训练集的初始超节点特征表示，得到所述训练集的超节点特征表示包括：

将所述多语义超图输入到所述超图神经网络中；

‑1 ‑1

利用所述超图神经网络U＝[U,D BDB U]W，聚合所述多语义超图中超节点的所有超边信息更新所述训练集的初始超节点特征表示，得到所述训练集的超节点特征表示；

k

其中，U＝[U ,k≤K]，U为所述多语义超图中超节点的特征表示集合，W为所述超图神经网络的可学习参数，B为所述多语义超图中每个超节点对每个超边的影响程度，D为所述多语义超图中每个超边到每个超节点的影响程度。

5.根据权利要求1所述的方法，其特征在于，所述根据所述训练集的超节点特征表示，得到多语义分布信息，将所述多语义分布信息与所述训练集的超节点特征表示进行信息交互，更新所述多语义超图的超边，得到新的多语义超图包括：根据所述训练集的超节点特征表示，得到多语义分布信息；

根据AV＝f(V；WV)和Au＝f(UU；WU)，将所述多语义分布信息与所述训练集的超节点特征表示进行信息交互，更新所述多语义超图的超边，得到新的多语义超图；

其中，AV为所述多语义分布信息的关系矩阵，Au为所述超节点的关系矩阵，V为所述多语义分布信息，UU为所述训练集的超节点特征表示，WV为所述多语义分布信息的可训练参数，WU为所述训练集的超节点特征表示的可训练参数。

6.根据权利要求1所述的方法，其特征在于，所述根据所述训练集的目标超节点特征表示，计算所述查询集的超节点特征表示属于所述支持集类别的概率，得到所述查询集的分类结果包括：

根据 计算所述查询集的超节点特征表示属于所述支持集类别的概率，得到所述查询集的分类结果；

l

其中，yj为所述支持集中第j个样本，A (U,ij)为所述目标超节点特征表示的关系矩阵,N表示所述支持集的类别数，K表示所述支持集每个类别的样本数。

7.根据权利要求1所述的方法，其特征在于，所述根据所述训练集的目标超节点特征表示，计算所述查询集的超节点特征表示属于所述支持集类别的概率，得到所述查询集的分类结果后包括：

将评估集输入到所述小样本图像识别神经网络中，得到所述评估集中查询集的分类结果；

根据所述评估集中查询集的分类结果，计算所述小样本图像识别神经网络的损失函数对所述小样本图像识别神经网络进行评估；

其中，ζce为交叉熵损失函数， 为关系损失函数，λ1为第一超参数，λ2为第二超参数，p为所述评估集中查询集的分类结果，L为所述评估集所对应的超节点特征表示的迭代更新次数。

8.一种超图神经网络的小样本图像识别装置，其特征在于，包括：第一构建模块，用于构建小样本图像识别神经网络；其中，所述小样本图像识别神经网络包括卷积神经网络和超图神经网络；

输入模块，用于将训练集输入到所述小样本图像识别神经网络中进行训练；其中，所述训练集包括支持集和查询集；

卷积模块，用于利用所述卷积神经网络中空洞卷积的不同感受野，得到所述训练集的多语义特征；

第二构建模块，用于根据所述训练集的多语义特征构建超节点，计算每两个超节点之间的语义相似度，根据所述每两个超节点之间的语义相似度构建超边，得到多语义超图；

超节点特征更新模块，用于利用所述超图神经网络聚合所述多语义超图中超节点的所有超边信息更新所述训练集的初始超节点特征表示，得到所述训练集的超节点特征表示；

迭代更新模块，用于根据所述训练集的超节点特征表示，得到多语义分布信息，将所述多语义分布信息与所述训练集的超节点特征表示进行信息交互，更新所述多语义超图的超边，得到新的多语义超图，返回执行所述步骤S105，以便迭代更新所述多语义超图直至更新次数到达既定阈值，得到所述训练集的目标超节点特征表示；

计算模块，用于根据所述训练集的目标超节点特征表示，计算所述查询集的超节点特征表示属于所述支持集类别的概率，得到所述查询集的分类结果。

9.一种超图神经网络的小样本图像识别设备，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种超图神经网络的小样本图像识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种超图神经网络的小样本图像识别方法的步骤。