1.一种基于眼底图像的高度近视检测方法，其特征在于，包括：获取待检测眼底图像；

将所述待检测眼底图像输入到高度近视检测模型中，得到所述待检测眼底图像的高度近视检测结果；

其中，所述高度近视检测模型是基于通用数据集、带标签眼底图像样本数据集和无标签眼底图像样本数据集，使用自适应课程学习模块和半监督迁移学习框架训练后获得的；

其中，所述自适应课程学习模块，用于筛选带标签眼底图像样本，并按照确定的顺序将筛选后的所述带标签眼底图像样本依次传递给学生分类网络模型；

所述半监督迁移学习框架包括预训练源模型和半监督教师网络模型。

2.根据权利要求1所述的基于眼底图像的高度近视检测，其特征在于，所述方法还包括：训练得到所述高度近视检测模型；

所述训练得到所述高度近视检测模型，包括：基于通用数据集对源模型进行预训练，得到所述预训练源模型；

将所述预训练源模型的知识自适应迁移至学生分类网络模型；

利用带标签眼底图像样本数据集对所述学生分类网络模型进行训练，并通过半监督教师网络模型利用无标签眼底图像样本数据集对所述学生分类网络模型进行微调，得到所述高度近视检测模型。

3.根据权利要求2所述的基于眼底图像的高度近视检测，其特征在于，所述将所述预训练源模型的知识自适应迁移至学生分类网络模型，包括：将所述带标签眼底图像样本数据集输入到所述预训练源模型中，利用所述预训练源模型的参数对学生分类网络模型进行初始化；

得到多个带标签眼底图像样本对应的一维向量；

根据所述一维向量，计算所述多个带标签眼底图像样本对应的样本重要性；

根据所述样本重要性对所述带标签眼底图像样本数据集进行筛选，得到筛选后的带标签眼底图像样本，并按照确定的顺序将所述筛选后的带标签眼底图像样本传递给所述学生分类网络模型。

4.根据权利要求3所述的基于眼底图像的高度近视检测，其特征在于，所述利用带标签眼底图像样本数据集对所述学生分类网络模型进行训练，并通过半监督教师网络模型利用无标签眼底图像样本数据集对所述学生分类网络模型进行微调，得到所述高度近视检测模型，包括：

将所述筛选后的带标签眼底图像样本输入至所述学生分类网络模型；

将所述带标签眼底图像样本数据集和所述无标签眼底图像样本数据集输入到所述半监督教师网络模型，计算带标签眼底图像样本的特征表示和无标签眼底图像样本的特征表示之间的距离；

根据所述带标签眼底图像样本、无标签眼底图像样本和所述特征表示之间的距离计算损失，根据所述损失更新所述学生分类网络模型和半监督教师网络模型的参数；

判断是否达到训练结束条件，在达到训练结束条件的情况下，保存所述学生分类网络模型的参数，得到所述高度近视检测模型。

5.根据权利要求3所述的基于眼底图像的高度近视检测方法，其特征在于，所述根据所述一维向量，计算所述多个带标签眼底图像样本对应的样本重要性，包括：根据所述一维向量，计算所述一维向量对应的熵；

根据所述一维向量对应的熵和熵门函数，得到所述多个带标签眼底图像样本对应的样本重要性；

其中，所述熵门函数用于将所述一维向量对应的熵转换为重要性。

6.根据权利要求3所述的基于眼底图像的高度近视检测方法，其特征在于，所述根据所述样本重要性对所述带标签眼底图像样本数据集进行筛选，得到筛选后的带标签眼底图像样本，并按照确定的顺序将所述筛选后的带标签眼底图像样本传递给所述学生分类网络模型，包括：

根据所述样本重要性，使用加权版本替换交叉熵损失，计算每个所述带标签眼底图像样本的预测误差；

根据所述预测误差，筛选处于预设范围内的所述带标签眼底图像样本；

将筛选完成的所述处于预设范围内的所述带标签眼底图像样本按照所述样本重要性排序；

将所述排序完成的所述处于预设范围内的所述带标签眼底图像样本，按照样本重要性由高到低依次传递给所述学生分类网络模型。

7.一种基于眼底图像的高度近视检测装置，其特征在于，包括：获取模块，用于获取待检测眼底图像；

图像分类模块，用于将所述待检测眼底图像输入到高度近视检测模型中，得到所述待检测眼底图像的高度近视检测结果；

其中，所述高度近视检测模型是基于通用数据集、带标签眼底图像样本数据集和无标签眼底图像样本数据集，使用自适应课程学习模块和半监督迁移学习框架训练后获得的；

其中，所述自适应课程学习模块，用于筛选带标签眼底图像样本，并按照确定的顺序将筛选后的所述带标签眼底图像样本依次传递给学生分类网络模型；

所述半监督迁移学习框架包括预训练源模型和半监督教师网络模型。

8.根据权利要求7所述的基于眼底图像的高度近视检测装置，其特征在于，所述装置还包括：训练模块：用于训练得到所述高度近视检测模型；

所述训练得到所述高度近视检测模型，包括：基于通用数据集对源模型进行预训练，得到所述预训练源模型；

将所述预训练源模型的知识自适应迁移至学生分类网络模型；

利用带标签眼底图像样本数据集对所述学生分类网络模型进行训练，并通过半监督教师网络模型利用无标签眼底图像样本数据集对所述学生分类网络模型进行微调，得到所述高度近视检测模型。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于眼底图像的高度近视检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于眼底图像的高度近视检测方法的步骤。