1.一种基于虚拟对抗训练网络的半监督宫颈癌图像分类方法，其特征在于，所述的虚拟对抗训练网络包含一个主干网络和虚拟对抗训练模块，所述方法包括以下步骤：步骤1、收集宫颈癌图像的数据集，包含以下宫颈癌图像：高核质比形态符合HSIL标准的细胞、HSIL或SCC中的异常角化细胞、HSIL或SCC中的异常裸核、挖空细胞、形态符合LSIL标准的非挖空细胞、异常腺细胞、异常化生细胞、正常裸核、正常中表层细胞、病原微生物细胞、正常副基底层细胞、正常颈管细胞、正常子宫内膜腺细胞、典型鳞状上皮化生细胞、典型角化不全细胞，并由相关专家对宫颈癌图像进行标注，并选取了30％的宫颈癌的图像将标注隐去或选取未标注的宫颈癌图像，最终得到用于半监督网络的训练数据集和测试数据集；

步骤2、对训练数据集中标注和未标注的宫颈癌图像进行数据增强，包括对宫颈癌图像进行平移变换如公式(1)和旋转变换如公式(2)，缩放变换如公式(3)，以增加数据集的大小：其中x,y,w为像素点，α为旋转角度；

步骤3、搭建主干网络，其结构包括AlexNet和混合注意力机制，即：在AlexNet的基础上添加注意力机制对宫颈癌图像特征进行校正，校正后保留了有价值的宫颈癌图像特征，其中注意力机制操作,包括以下操作：squeeze类全局平均池化、excitation两次全连接；

步骤4、搭建虚拟对抗训练网络：采用成对的数据点，这些数据点在输入空间中非常接近，但在模型输出空间中非常遥远；然后训练模型以使它们的输出彼此接近；为此，采用给定的输入并且增加扰动，模型给出不同的输出；然后，模型因扰动对灵敏度进行处罚；由此构建一个完整的虚拟对抗训练网络；

步骤5、宫颈癌图像通过虚拟对抗训练网络得到相关的特征，再将特征送入分类器中进行分类，最终对测试的宫颈癌图像输出所属类别。

2.根据权利要求1所述的一种基于虚拟对抗训练网络的半监督宫颈癌图像分类方法，其特征在于，在步骤3中所述的squeeze类全局平均池化，包括：将一个c通道，hxw的特征图，压成c通道1x1，结果表示全局信息：其中H,W为分别图像的长，宽，uc(i,j)为图像,zc表示全局信息。

3.根据权利要求1所述的一种基于虚拟对抗训练网络的半监督宫颈癌图像分类方法，其特征在于，在步骤3中所述的excitation两次全连接，包括：对squeeze全局池化后得到的结果即一个C维向量，进行全连接，得到C/r维的向量并进行Reulu激活；并在Reulu激活上的C/r维向量进行一次全连接，将C/r维的向量变回C维向量，再进行sigmoid激活使得数值位于0‑1之间，得到权重矩阵：s＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))                     (5)W1,W2为权重矩阵，σ为sigmoid激活函数。

4.根据权利要求1所述的一种基于虚拟对抗训练网络的半监督宫颈癌图像分类方法，其特征在于，所述步骤4中，包括：步 骤4 .1 .用 表 示 一 个已 标记 的 数 据 集 ，用表示一个未标记的数据集；设x*表示xl或xul；目标函数为：Lqadv:＝D[q(y∣x*),p(y∣x*+rqadv,θ)]whererqadv:＝argmaxr:‖r‖≤∈D[q(y∣x*),p(y∣x*+r,θ)]          (6)其中，D[p,q]是一个非负度量函数，度量分布p、q之间的距离；称radv是对抗的扰动，p(y∣x,θ)近似代表。

5.根据权利要求1所述的一种基于虚拟对抗训练网络的半监督宫颈癌图像分类方法，其特征在于，所述步骤4中，包括：步骤4.2.用 替代q(y∣x*)，损失函数变为：

给整个目标函数加上LDS:

loss＝l(Dl,θ)+αRvadv(Dl,Dul,θ)其中，l(Dl,θ)是有标签数据的负对数似然函数；

整个正则化过程，只有两个超参数∈和α，并将α固定为1。

6.根据权利要求1所述的一种基于虚拟对抗训练网络的半监督宫颈癌图像分类方法，其特征在于，所述步骤4中，其步骤4.3.包括：注意 如果h(y∣yl)换成p(y∣xl,θ)，

则g恒等于0，得用到二阶信息；

如果一阶导数为0，则D[p(y∣x*,θ),p(y∣x*+r,θ)]二阶泰勒展开：其中， 是海森矩阵，记为H；再把D[p(y∣

x*,θ),p(y∣x*+r,θ)]记为 并且

其中 u是H最大特征值对应的特征单位向量；

用能量迭代方法，计算特征向量：

7.根据权利要求1所述的一种基于虚拟对抗训练网络的半监督宫颈癌图像分类方法，其特征在于，所述步骤4中，包括：步骤4.4.采用标签平滑来替换传统的ont‑hot来获取更多伪标签 的信息：其中y表示原标签的分布概率，α是一个较小的超参数，一般取0.1；N为总类别个数，即