1.一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：所述方法获取样本数据集，构建基于动态潜在特征引导的小样本目标检测模型；以样本数据集中的基类数据训练模型后冻结模型的局部参数，以样本数据集中的新类数据对模型进行调节；

向调节后的模型输入待检测数据，获得小样本目标检测结果。

2.根据权利要求1所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：所述小样本目标检测模型包括支持分支和查询分支；

所述查询分支包括顺次设置的主干网络、RPN模块、区域兴趣对齐模块，区域兴趣对齐的输出与支持分支的输出聚合并输出；

所述支持分支包括主干网络和融合层，查询分支和支持分支的主干网络的输出对齐后输入至融合层，融合层后顺次设有潜在特征重构模块和动态多尺度相似性引导模块。

3.根据权利要求2所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：查询分支和支持分支共享主干网络参数。

4.根据权利要求2所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：查询分支的主干网络的输出通过全局平均池化层和扩展模块与支持分支的主干网络的输出对齐维度。

5.根据权利要求2所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：所述潜在特征重构模块包括顺次设置的编码器、2个并列的卷积块，2个并列的卷积块的输出重参数化后输入解码器。

6.根据权利要求2所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：所述动态多尺度相似性引导模块包括多尺度信息生成器，用于生成不同尺度的特征，所述不同尺度的特征输入多相似性特征引导模块，经过多相似层的处理后拼接并输出。

7.根据权利要求6所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：以第一分支通过多分支卷积操作减少信息损失并学习特征的高分辨率表示；以第二分支通过全局最大池化与反卷积操作，聚焦特征的低分辨率表示；以第三分支结合全局平均池化与通道注意机制，聚合第一分支和第二分支的特征表示。

8.根据权利要求7所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：基于混合相似性度量计算不同尺度特征间的相似性分数，动态调整支持特征的内部权重，将三个不同尺度的特征进行拼接，得到经过动态优化的多尺度支持特征。

9.根据权利要求2所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：以样本数据集中的基类数据训练模型，损失函数为L＝Lrpn+LLFR+Lmeta+Lcls+Lreg其中，Lrpn为RPN的损失，LLFR为潜在特征重构模块的重建损失，Lmeta为模型的元分类损失，Lcls为分类损失，Lreg为回归损失。

10.根据权利要求2所述的一种基于动态潜在特征引导的小样本目标检测方法，其特征在于：以样本数据集中的基类数据训练模型后冻结模型的局部参数为主干网络、RPN模块和区域兴趣对齐模块的参数。