1.一種垃圾識別分類方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種垃圾識別分類方法，其特征在于，步驟s2中的hypertune模塊，超網(wǎng)絡(luò)通過元學(xué)習(xí)進行訓(xùn)練，即在多個小樣本分類任務(wù)上進行學(xué)習(xí)；每個任務(wù)集包含支持集和查詢集，模型需在支持集上學(xué)習(xí)，并對查詢集進行預(yù)測；具體由一個兩層全連接層的多層感知機組成，每層大小為256，通過公式生成分類器的權(quán)重，權(quán)重生成過程如下：
3.根據(jù)權(quán)利要求1所述的一種垃圾識別分類方法，其特征在于，步驟s3中的p-mix模塊，使用mixup增強支持集，并使用加權(quán)聚合來計算分類器權(quán)重；將混合支撐樣本和相應(yīng)的標(biāo)號分別記為x-s和y-s；混合參數(shù)pm從固定的beta分布中采樣，并使用樣本特定權(quán)重代碼的加權(quán)聚合來計算提取的分類器參數(shù)，其中聚合權(quán)重是根據(jù)混合樣本的概率確定的，具體流程如下：
4.根據(jù)權(quán)利要求1所述的一種垃圾識別分類方法，其特征在于，步驟s4中的e-mix模塊，用于提高模型對異常樣本的檢測能力；ooe-mix通過在任務(wù)外ooe樣本與任務(wù)內(nèi)ine樣本之間進行mixup來增加異常樣本的多樣性，具體流程如下：首先，每次任務(wù)訓(xùn)練時，作者從未選取的類別中采樣作為集外樣本并與集內(nèi)樣本進行混合：
5.根據(jù)權(quán)利要求1所述的一種垃圾識別分類方法，其特征在于，步驟s6中的特征提取器f采用了resnet-12架構(gòu)，包含4個殘差塊，每個殘差塊有3個卷積層，卷積核的數(shù)量分別為64,160,320和640，卷積核大小為3×3；前3個殘差塊后跟有2×2平均池化層，最后得到的特征向量大小為640；在預(yù)訓(xùn)練階段，特征提取器結(jié)合了監(jiān)督學(xué)習(xí)和自監(jiān)督學(xué)習(xí)策略進行訓(xùn)練；并通過兩個線性分類器進行訓(xùn)練：一個預(yù)測類別，另一個預(yù)測旋轉(zhuǎn)角度；損失函數(shù)結(jié)合了分類交叉熵損失和二元交叉熵損失。