1.一种基于元迁移学习的前视声呐图像分割方法，其特征在于：包括如下步骤：S1、构建基于元迁移学习的声呐图像分割模型，所述的声呐图像分割模型中的特征提取器为卷积神经网络，所述的声呐图像分割模型在卷积神经网络的上采样和下采样中采用注意力机制，所述注意力机制设置如下：S11、下采样中序列化的在通道和空间两个维度上产生特征图信息，然后将两种特征图在与输入特征图进行自适应修正特征产生最后的特征图；

′

S12、对于输入特征图F将其输入通道模块得到特征图F，再将其输入空间模块得到特征图F″完成下采样操作；

′

S13、通道产生的特征图由输入的特征图F得到F；

′

S14、空间产生的特征图由输入的特征图F得到F″；

′

S15、上采样中通过上层x和对应下采样中x得到输出；

S2、对网络模型参数进行预训练，得到初始化分割模型，所述预训练设置如下：S21、通过光学数据集预训练保证分割效果；

S22、损失函数为交叉熵损失函数；

S3、利用元学习策略训练网络模型，训练中采用声纳小样本图像作为数据集，训练中采用自适应因子模块使模型收敛，所述元学习策略和自适应因子设置如下：S31、元学习分为两个阶段，第一个阶段对分类器进行梯度下降，第二个阶段学习网络模型移动和缩放；

′

S32、外循环阶段设置可以学习的参数ΦS1,2、一个baseline分类器θ；

S33、ΦS1,2表示第二个阶段的网络模型参数，使用数据集中的训练任务损失优化′ ′baseline分类器θ，baseline分类器θ更新网络模型参数 和自适应因子μ{1,2}；

S34、在内循环中利用 与μi进行加权操作，得到的结果与网络模型中的卷积核和偏置进行加权操作；

S35、得到最后分类器θ；

S4、将待分割图像输入训练好的网络模型，获得分割结果。

2.如权利要求1所述的一种基于元迁移学习的前视声呐图像分割方法，其特征在于：步骤S3中的利用元学习策略训练的初始网络模型是经过S2步骤预训练得到的。

3.如权利要求1所述的一种基于元迁移学习的前视声呐图像分割方法，其特征在于：步骤S33的元学习两个阶段，其特征在于：第一个阶段对网络模型进行梯度下降法收敛，第二个阶段网络模型通过更新网络模型参数 和自适应因子μ{1,2}收敛。

4.如权利要求1所述的一种基于元迁移学习的前视声呐图像分割方法，其特征在于：步骤S33中，对于超参数 用交叉熵损失更新其值，对于自适应因子μ{1,2}用Focal损失更新其值。

5.如权利要求1所述的一种基于元迁移学习的前视声呐图像分割方法，其特征在于：步骤S4中，获得分割结果的要求是：经过元训练的模型在新的、未见过的任务上进行测试，这些新任务也只有少量的样本可用，模型通过之前学到的元学习策略和通用特征来进行预测。

6.一种基于元迁移学习的前视声呐图像分割装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑5中任一项所述的基于元迁移学习的前视声呐图像分割方法。

7.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑5中任一项所述的基于元迁移学习的前视声呐图像分割方法。