1.基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，包括以下：获取待识别船舶图像；

通过预训练的基于递进式课程的船舶全种类识别模型对所述待识别船舶图像进行识别，得到识别结果；

具体的，基于递进式课程的船舶全种类识别模型通过以下方式进行训练得到，构建船舶图像的训练集T、支持集S以及查询集Q；

将训练集T分割成n个独立的子集，对所述子集进行预处理生成具有难度梯度逐级递增的n个课程子集；

对n个所述课程子集进行难度调度，当前一阶段训练损失值趋于收敛时，即开始使用下一阶段的训练课程子集；

构建三元特征多维度损失模块，所述三元特征多维度损失模块包括特征提取单元、多维度损失函数单元，将第i个课程子集的数据输入特征提取单元，以三元分支获取锚点样本、正例样本以及负例样本的特征向量，通过多维度损失函数单元获取各组样本间的向量差值，作为该次迭代损失值进行训练；

反向传播更新参数，训练三元特征多维度损失模块中特征提取单元得到训练好的特征提取单元；

在预测阶段，将支持集S、查询集Q，输入训练好的特征提取单元，获取特定维度的特征向量，基于特定维度的所述特征向量对各个查询与支持样本完成图像分类。

2.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，通过随机裁切、噪声增扰以及明度调整的方式对所述子集进行预处理，生成n具有难度梯度逐级递增的n个课程子集T。

3.根据权利要求2所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，课程子集的数量为6个，即n＝6，预处理的过程如下，通过如下方式进行随机裁切处理，生成训练初期课程，

xcrop＝fcrop(x)

fcrop＝ramdom_crop(x,size)

其中，x表示原始图像，并且xcrop表示通过应用由fcrop表示的随机裁剪函数处理而获得的图像，size表示裁切后得到图像的大小；

通过对初期课程按如下方式进行添加噪声干扰处理，生成训练中期课程，xnoisy(i,j,k)＝(0,with probability of p)其中，xnoisy(i,j,k)表示第j行第k列第i个通道的像素值添加噪声后的值，p表示为噪声添加的概率值，用于控制图像中添加噪声干扰的程度；

通过对中期课程按如下方式进行明度调整，生成训练末期课程，xbright(i,j,k)＝{xi,j,k+Δ,0

4.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，对n个所述课程子集进行难度调度，包括以下，根据训练情况实时对训练使用的课程子集进行调整，当前一阶段训练损失值趋于收敛时，即开始使用下一阶段的训练课程子集，如下式所示，其中，t表示第t次迭代，ε表示准确率的收敛阈值；A(t)函数，表示在第t次迭代后的准确率，T0表示从该次迭代开始计算准确率的收敛性，当迭代次数超过T0时，每次迭代后的准确率变化A(t)‑A(t‑1)都小于预先设定的阈值ε，认定其为本段课程结束。

5.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，将第i个课程子集的数据输入特征提取单元，以三元分支获取锚点样本、正例样本以及负例样本的特征向量，包括，其中n为课程子集的序号，F((·|θr))为卷积神经网络模型，F(·)与θr分别为该卷积神set n经网络模型的网络映射函数与参数；X 为seti所提取特征的向量，i取T ,S,Q。

6.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，多维度损失函数单元基于多维度三元组融合损失函数构建，多维度三元组融合损失函数表示如下：Losstotal＝[αLossCosine+βLossEuclidean+γLossMinkowski+δLossMahalanobis+···]++Margin其中样本为x，f(x)为映射函数，f(δ)ij＝∑m∑n(δ)i+m×wm,n，其中δ能够是 整个训练集的大小为N，则每个三元组的输入(a,p,n)， 为Anchor样本和Positive样本之间的欧氏距离度量， 为Anchor样本和Negative样本之间的欧氏距离度量； 为Anchor样本和Positive样本之间的余弦距离度量，为Anchor样本和Negative样本之间的余弦距离度量；

为Anchor样本和Positive样本之间的闵氏距离度量， 为Anchor样本和Negative样本之间的闵氏距离度量； 为Anchor样本和Positive样本之间的曼哈顿距离度量， 为Anchor样本和Negative样本之间的曼哈顿距离度量；α,β,γ ,δ···为不同的权重参数，用于平衡各个距离度量方式之间的影响；Margin为 与 的距离之间最小间隔，[]+表示[]内的值大于零的时候，取该值为损失。

7.根据权利要求6所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，反向传播更新参数，包括，利用各分支特征向量和，加减后作为网络损失值反向传播，得到输入图像基于损失值的梯度信息： 利用损失函数Losstotal值进行梯度反向后，获取到的针对三个船舶图像样本 的梯度信息， 表示求导操作。

8.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，完成图像分类的过程包括以下，将支持集S、查询集Q，输入训练好的特征提取单元，进行匹配得到的支持集S以及查询集Q的特征向量，选取相似度最大值的一组作为预测类别标签，完成图像分类，通过以下公式进行匹配：i

yi＝argmax(p)

i i

其中，λ,μ,ν···为不同的权重参数，用于平衡各个距离度量方式之间的影响；p为Si和Q样本的之间的相似度值，以该值作为每一类的置信度，yi为各组中余弦相似度最大值的i一组的类别作为该Q样本的预测类别标签。

9.基于递进式课程的受扰环境下船舶全种类识别装置，其特征在于，包括以下：数据获取模块，拥有获取待识别船舶图像；

数据识别模块，用于通过预训练的基于递进式课程的船舶全种类识别模型对所述待识别船舶图像进行识别，得到识别结果；

预训练的基于递进式课程的船舶全种类识别模型通过以下模块进行处理得到，数据集构建模块，用于构建船舶图像的训练集T、支持集S以及查询集Q难度生成模块，包括随机裁切单元、噪声增扰单元以及明度调整单元，用于将训练集T分割成n个独立的子集，对所述子集进行预处理生成具有难度梯度逐级递增的n个课程子集；

难度调度模块，用于根据训练情况实时对训练使用的课程子集进行调整，当前一阶段训练损失值趋于收敛时，即开始使用下一阶段的训练课程子集；

三元特征多维度损失模块，包括特征提取单元、多维度损失函数单元，用于将第i个课程子集的数据输入特征提取单元，三元分支获取锚点样本、正例样本以及负例样本的特征向量，通过多维度损失函数单元获取各组样本间的向量差值，作为该次迭代损失值进行训练；

特征提取单元训练模块，用于反向传播更新参数，训练三元特征多维度损失模块中特征提取单元得到训练好的特征提取单元；

多维度度量模块，用于在预测阶段，将支持集S、查询集Q，输入训练好的特征提取单元，获取特定维度的特征向量，基于特定维度的所述特征向量对各个查询与支持样本完成图像分类。

10.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，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1‑8中任一项所述方法的步骤。