1.一种面向领域泛化任务的跨域数据增强方法，其特征在于：所述面向领域泛化任务的跨域数据增强方法，包括：从K个领域的原始数据集中采样若干个样本，并将各样本依次输入到网络模型中进行训练，在经过指定的网络层时，对该网络层输出的特征图以预设概率随机选择是否进行数据增强操作；

在选择进行数据增强操作后，分别按照所属的领域计算特征图的均值和方差，形成K个领域的统计量，针对首批样本，将统计量定义为历史统计量，针对后序批次样本，基于指数移动平均算法将本批次样本得到的统计量更新上一批次样本的历史统计量；

不重复随机选择其中一个领域的历史统计量对另一个领域的特征图进行跨域数据增强操作得到新特征图，直到得到所有领域的新特征图，完成数据增强操作；

完成数据增强操作后，继续进行前向传播，完成本批次网络模型的训练。

2.如权利要求1所述的面向领域泛化任务的跨域数据增强方法，其特征在于：所述从K个领域的原始数据集中采样若干个样本，并将各样本依次输入到网络模型中进行训练，包括：从K个领域的原始数据集 中采集若干个样本，其中一个样

本表示为 其中DK表示第K个领域的原始数据集，

表示每个领域的原始数据集有Nk个数据，BK表示从第K个领域原始数据集中采样的样本，表示一个样本中的每个领域NB个数据，且NB

3.如权利要求2所述的面向领域泛化任务的跨域数据增强方法，其特征在于：所述对该网络层输出的特征图以预设概率随机选择是否进行数据增强操作，包括：若选择不进行数据增强操作，则继续进行前向传播；

若选择进行数据增强操作，则分别按照所属的领域计算特征图的均值和方差，形成K个领域的统计量，且计算公式如下：μk,σk＝mean(fk),var(fk)

其中，K个领域的统计量表示为(μ＝{μ1,μ2…,μK}，σ＝{σ1,σ2…,σK})，μk表示第k个领域的均值，σk表示第k个领域的方差，fk表示第k个领域的特征图，且一个样本输入到该网络层并输出的特征图表示为{f1,f2…,fK}，fk,h,w表示第k个领域高和宽分别为H和W的特征图且坐标为(h,w)的像素值。

4.如权利要求3所述的面向领域泛化任务的跨域数据增强方法，其特征在于：所述针对首批样本，将统计量定义为历史统计量，针对后序批次样本，基于指数移动平均算法将本批次样本得到的统计量更新上一批次样本的历史统计量，包括：针对首批样本，将统计量定义为历史统计量(μold,σold)，并保存到本地；

针对后序批次样本，基于指数移动平均算法将本批次样本得到的统计量(μnew,σnew)更新上一批次样本的历史统计量(μold,σold)，更新公式如下：μold＝mμold+(1‑m)μnew

σold＝mσold+(1‑m)σnew

其中，m表示权重参数，且m＝0.9。

5.如权利要求3所述的面向领域泛化任务的跨域数据增强方法，其特征在于：所述不重复随机选择其中一个领域的历史统计量对另一个领域的特征图进行跨域数据增强操作得到新特征图，直到得到所有领域的新特征图，完成数据增强操作，包括：跨域数据增强操作为风格归一化操作，且计算公式如下：

其中，公式(1)表示随机选择第i个领域的历史统计量对第j个领域的特征图fj进行风格归一化操作得到新特征图 μi和σi分别表示第i个领域的均值和方差，μj和σj分别表示第j个领域的均值和方差；最终得到所有领域的新特征图