1.一种基于少样本学习的图像隐形水印通用检测方法，其特征在于，包括以下步骤：(1)搭建隐形水印特征提取模块，建立高通滤波核，得到输入图像的水印残差特征图；

(2)建立多尺度特征融合模块，通过调用卷积函数，设置超参数，建立1×1、3×3、5×5的卷积函数和可分离卷积函数，通过卷积函数对水印残差特征图进一步提取高维水印特征；

(3)建立卷积神经网络，并对高维水印特征进行特征嵌入；

(4)进行图结构的构造，计算同批次输入到模型中的所有样本节点间的欧式距离，从而得到图邻接矩阵，用来表征图结构；

(5)在得到初始图邻接矩阵后,就以该邻接矩阵中各节点之间距离度量为依据把支持集各节点的标签通过已有的标签传播公式传递给查询集各节点；

(6)将预测的查询集标签与真实标签进行交叉熵的计算，得到查询集样本节点的分类损失，最后对模型进行端到端的参数更新，直至模型收敛。

2.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法，其特征在于，步骤(5)中，所述标签传播公式如公式(1)：‑1

F＝(I‑αS) Y          (1)其中，F为传播后的标签矩阵,S为正则化处理过的邻接矩阵，I为单位矩阵，α为标签传播参数，控制着传播的信息总量且α∈(0，1)，Y为初始标签矩阵；使用softmax将更新后的标签矩阵F进行概率值的转换，如公式(2)：*

其中，yi是查询集样本的预测标签,Fij是由公式(1)计算的传播后的标签矩阵。

3.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法，其特征在于，步骤(6)中，所述查询集样本节点的分类损失,如公式(3)：其中， 是查询集样本的真实标签且

4.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法，其特征在于，步骤(6)中，所述参数更新采用梯度下降法对模型进行端到端的参数更新。

5.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法，其特征在于，步骤(1)中，所述搭建隐形水印特征提取模块是在tensorflow框架和计算机编程语言Python的基础上进行。

6.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法，其特征在于，步骤(1)中，所述高通滤波核的层数为10‑64层。

7.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法，其特征在于，步骤(3)中，所述卷积神经网络包括2‑16个卷积块。