1.一种弱监督的深度上下文感知图像表征方法，其特征是，包括：获取待处理图像；

对待处理图像进行表征提取，提取出基础视觉表征；基于基础视觉表征，生成上下文强化视觉表征；对上下文强化视觉表征映射为哈希向量；

对哈希向量，进行二值化处理，得到待处理图像的哈希表征。

2.如权利要求1所述的一种弱监督的深度上下文感知图像表征方法，其特征是，所述对待处理图像进行表征提取，提取出基础视觉表征；基于基础视觉表征，生成上下文强化视觉表征；对上下文强化视觉表征映射为哈希向量；通过训练后的图像编码器来实现。

3.如权利要求2所述的一种弱监督的深度上下文感知图像表征方法，其特征是，所述图像编码器，包括：

依次连接的ResNet‑50网络、自注意力机制模块、求和单元、平均池化层和多层感知机网络；其中，ResNet‑50网络作为图像编码器的输入端，多层感知机网络作为图像编码器的输出端。

4.如权利要求3所述的一种弱监督的深度上下文感知图像表征方法，其特征是，所述ResNet‑50网络，用于对待处理图像进行表征提取，提取出基础视觉表征；

所述自注意力机制模块，用于捕获基础视觉表征的特征图上每一个点的上下文信息，得到上下文强化后的区域表征矩阵；

所述求和单元，用于将上下文强化后的区域表征与基础视觉表征相加，得到增强后的区域特征；

所述平均池化层，用于对增强后的区域特征进行融合得到上下文强化的视觉表征；

所述多层感知机网络，用于对上下文强化的视觉表征进行映射为哈希向量。

5.如权利要求2所述的一种弱监督的深度上下文感知图像表征方法，其特征是，所述训练后的图像编码器，训练步骤包括：构建训练集；所述训练集包括已知用户标签的图像；

将训练集中的图像作为图像编码器的输入值，将训练集中的已知标签的表征向量作为图像编码器的输出值，对图像编码器进行训练；

当图像编码器的总损失函数达到最小值时，停止训练，得到训练后的图像编码器。

6.如权利要求5所述的一种弱监督的深度上下文感知图像表征方法，其特征是，所述已知标签哈希码表征，获取步骤包括：对训练集图像的已知标签，采用标签编码器进行编码处理，得到已知标签的表征向量；

所述采用标签编码器进行编码处理的具体步骤包括：将与图像对应的每一个标签信息采用word2vec工具得到词向量编码；

对所有的词向量编码，进行平均池化处理，得到已知标签的表征向量。

7.如权利要求5所述的一种弱监督的深度上下文感知图像表征方法，其特征是，所述图像编码器的总损失函数，包括：量化损失函数、成对损失函数、铰链损失函数和辨别损失函数；

所述量化损失函数，旨在使图像编码器输出哈希向量 的元素值接近于0或1；

所述成对损失函数，旨在保证标签表征相似的图像对之间具有相似的哈希码表征；

所述铰链损失函数，为了消除图像和文本模态间语义鸿沟，铰链损失迫使输入匹配的图像‑标签对的表征相近，反之亦然；

所述辨别损失函数，迫使上下文强化的图像表征xi准确地重新生成相应的标签信息，从而确保图像表征的区分性，同时提高图像哈希表征的质量。

8.一种弱监督的深度上下文感知图像表征系统，其特征是，包括：获取模块，其被配置为：获取待处理图像；

表征提取模块，其被配置为：对待处理图像进行表征提取，提取出基础视觉表征；基于基础视觉表征，生成上下文强化视觉表征；对上下文强化视觉表征映射为哈希向量；

二值化处理模块，其被配置为：对哈希向量，进行二值化处理，得到待处理图像的哈希表征。

9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1‑7任一项所述的方法。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑7任一项所述的方法。