1.一种基于变分原型推理的小样本下语义分割方法，其特征在于：包括以下步骤：输入：已知的待分割图像xq和带标注的支持集图像S，以及通过分割学习过程得到的先验网络参数θ和分割网络参数ψ；

输出：分割图像映射

S1、根据先验概率网络产生支持集图像S对应的均值和方差如下：μprior，σprior←PriorNet(S；θ)；

S2、计算先验概率网络映射的空间z隐含表示：(l)

S3、对S2中的z进行多次采样，生成z ；

(l)

S4、将每一个z 和xq送入到分割网络，生成如下 如下：。

2.根据权利要求1所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述分割学习过程中包括三个网络：先验网络、后验网络和分割网络。

3.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述先验网络中，输入为S支持图像和对应的标注图像，输出为z的分布，所述z的分布包括高斯分布μpriorh和σpriorh，其概率模型表示为pθ(z|S)，式中：θ为先验网络参数。

4.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述后验网络中，输入为待标注图像xq和其对应的标注yq，输出是z的分布，所述z的分布包括高斯分布μpost和σpost，其概率模型表示为qφ(z|xq，yq)，式中：φ为后验网络参数。

5.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述分割网络中输入为待分割图像和从先验网络中生成的z，输出为分割后图像，其概率模型表示为pψ(yq|z，xq)，式中：ψ为分割网络参数。

6.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述先验网络、后验网络和分割网络三者之间的关系为：其中： 表示先验概率分布和后验概率分布的KL距离，表示对数似然度的期望，采用交叉熵函数计算，i表示训练数据中(l)

的支持‑待分割图像对的序号，z 是从分布pθ(z|S)中第l次采样值，L是采样次数。

7.根据权利要求6所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述KL距离表示从待分割图像推理得到的原型和支持图像的匹配度，其中：KL距离越小，匹配度越高，当KL距离为0时，推理得到的原型和支持图像完成一致。

8.根据权利要求7所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述先验概率分布在高斯分布中表示为 所述后验概率分布在高斯分布中表示为 所述先验概率分布和后验概率分布之间的KL距离表示为：

9.根据权利要求8所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述分割学习过程包括以下步骤：输入：训练数据

输出：先验网络参数θ、后验网络参数φ、分割网络参数ψ；

步骤1：初始化参数θ、φ、ψ；

步骤2：对每一个样本对 执行下面操作：步骤2.1：根据先验概率网络产生样本i对应的均值和方差如下：步骤2.2：计算先验概率网络映射的空间z隐含表示：步骤2.3：通过后验概率网络产生样本i对应的均值和方差如下：步骤2.4：计算先验概率分布和后验概率分布的KL距离，计算公式为得

i i

步骤2.5：根据z和xq一起送入到分割网络，得到预测的输出：i

步骤2.6：根据预测的输出 和实际的输出yq，由交叉熵函数计算得到步骤2.7：计算目标函数：

步骤2.8：按照公式 计算梯度；

步骤2.9：迭代更新参数θ、φ、ψ；

步骤3：直到所有样本结束。