1.一种基于多视图的低秩领域自适应方法，其特征在于，包括：获取源域样本图像和目标域样本图像，对所述源域样本图像和目标域样本图像进行至少两种不同的增强掩码操作，将被掩码的源域样本图像和目标域样本图像以及源域标签传入学生网络进行训练，利用至少两种的损失函数计算训练产生的损失更新网络权重，得到至少两个网络；

利用所述至少两个网络对所述源域样本图像和目标域样本图像进行多视图特征提取，得到至少两组的源域样本图像特征和目标域样本图像特征的组合特征，通过构造相似图和矩阵捕捉组合特征的全局和局部结构；

整合所述相似图和矩阵得到高阶图，将所述高阶图转换为目标函数的联合优化，对目标函数的项进行优化得到基于高阶图的最优表示，对高阶图中切片的绝对值求和，得到亲和矩阵；

基于亲和矩阵利用局部保留投影得到投影矩阵，根据所述投影矩阵将所述源域样本图像特征和目标域样本图像特征投影到潜在空间，得到源域样本图像和目标样本图像的投影特征，对所述投影特征计算目标函数，根据目标函数对目标样本进行类别预测。

2.如权利要求1所述基于多视图的低秩领域自适应方法，其特征在于，利用至少两种的损失函数计算训练产生的损失更新网络权重包括：学生网络通过监督损失向源域学习，损失函数表示为：

其中， 为监督损失， 为学生模型的第j个源域样本 分配给k类的概率，m为源域中有标签数据的数量，C为样本总数， 为第j个样本 的第k类的标签；

采用对抗性训练，引入鉴别器与特征提取器和分类器的组合降低各领域分布数据的变化产生的性能，得到对抗损失函数表示为：s t

其中，x 为源域样本图像，x 为目标域样本图像，Sψ为特征提取器和分类器的组合，Dδ为鉴别器， 为源域样本 的期望值， 为目标域样本 的期望值；

引入目标类对齐和一致性损失，通过利用上下文关系在目标特征空间内得到类边界，产生的损失函数表示为：t

其中， 为目标样本k类的分类器输出， 为目标域样本图像x 引入的增′ ′

广掩码， 为基于熵调节每个样本影响的重要性矩阵，·k和·k为提取的类别k和k相关的特征向量，k″为所有类别，C为样本总数，Tφ为教师网络。

3.如权利要求1或2所述基于多视图的低秩领域自适应方法，其特征在于，还包括：学生模型训练由最小‑最大博弈为特征的优化策略所控制，损失函数表示为：其中，ψ,φ为教师和学生网络的权重参数，λadv和λtcacl为加权因子。

4.如权利要求3所述基于多视图的低秩领域自适应方法，其特征在于，通过构造相似图和矩阵捕捉组合特征的全局和局部结构包括：通过构造相似图来捕获局部结构；

通过构造拉普拉斯矩阵，并合并数据点之间的规范化关系得到全局结构；

拉普拉斯矩阵表示为：

i i

其中，W 为相似性矩阵，D为相似性矩阵的度矩阵， 为第l个节点的度， 为度矩阵的半逆矩阵，j为节点， 为相似性矩阵中第l行第j列节点的度。

5.如权利要求4所述基于多视图的低秩领域自适应方法，其特征在于，对目标函数的项进行优化得到基于高阶图的最优表示包括：固定目标函数中除F以外的所有变量来更新F，表示为：固定所有其他变量，并对变量 进行更新，利用ADMM进行计算处理表示为：添加 作为不同的 对目标函数的每个变量进行求导，通过最小化给定的目标函数得到最优的 更新后的表达式为：

为拉格朗日乘子，更新后拉格朗日乘子 表示为：

i

其中，F 为第i个视图的特征变换矩阵， 为对应的转置矩阵，tr(·)为矩阵的迹，i为矩阵在第三个维度上第i个切片，L 为第i个视图的拉普拉斯矩阵，λ为正则化参数，v为张量，||·||F为Frobenius范数，I为单位矩阵，β为权重参数，||·||2为2范数，为矩阵在第一个维度上第i个切片， 为矩阵在第二个维度上第j个切片，||·||*为核范数，||·||2,1为矩阵的l2l2‑l1l1范数，μ为拉格朗日乘子项的参数，σ为奇异值，U和V为酉矩阵， 为在核范数更新中使用的矩阵。

6.如权利要求5所述基于多视图的低秩领域自适应方法，其特征在于，亲和矩阵和投影矩阵包括：对高阶图 中的切片的绝对值求和，得到亲和矩阵表示为：利用LPP投影形式化目标函数，得到投影矩阵表示为：其中，diag(·)为从向量创建对角矩阵， 为矩阵在第三个维度上第i个切片，为对角矩阵， 为矩阵S第i行各权重之和， 为拉普拉斯矩阵， 为视图，Π为投T影矩阵，Π 为对应的转置矩阵， 为对角矩阵。

7.如权利要求6所述基于多视图的低秩领域自适应方法，其特征在于，根据目标函数对目标样本进行类别预测包括：将视图中的源域样本图像和目标域样本图像投影在潜在空间中，利用K‑均值算法对原型向量进行初始化，计算目标投影特征属于原型向量和类别质心的类别的条件概率，从条件概率的最大值中得出类别概率，并进行合并预测样本的类别。

8.一种基于多视图的低秩领域自适应方法的系统，其特征在于，包括：损失计算模块，用于获取源域样本图像和目标域样本图像，对所述源域样本图像和目标域样本图像进行至少两种不同的增强掩码操作，将被掩码的源域样本图像和目标域样本图像以及源域标签传入学生网络进行训练，利用至少两种的损失函数计算训练产生的损失更新网络权重，得到至少两个网络；

特征提取模块，用于利用所述至少两个网络对所述源域样本图像和目标域样本图像进行多视图特征提取，得到至少两组的源域样本图像特征和目标域样本图像特征的组合特征，通过构造相似图和矩阵捕捉组合特征的全局和局部结构；

整合模块，用于整合所述相似图和矩阵得到高阶图，将所述高阶图转换为目标函数的联合优化，对目标函数的项进行优化得到基于高阶图的最优表示，对高阶图中切片的绝对值求和，得到亲和矩阵；

预测模块，用于基于亲和矩阵利用局部保留投影得到投影矩阵，根据所述投影矩阵将所述源域样本图像特征和目标域样本图像特征投影到潜在空间，得到源域样本图像和目标样本图像的投影特征，对所述投影特征计算目标函数，根据目标函数对目标样本进行类别预测。

9.一种电子设备，其特征在于，所述设备包括：

处理器；

用于存储处理器可执行指令的存储器；

所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1～7中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1～7中任一所述的方法。