1.一种基于深监督学习的图像显著性目标检测方法，其特征在于，步骤如下：步骤1：修改VGG‑16网络，去除VGG‑16网络的最后一层池化层和所有的全连接层；

步骤2：将训练图像送入步骤1修改的网络，利用4个下采样层，提取5个不同尺度下的特征图像；

步骤3：递归融合步骤2得到的特征图像，预测得到多级显著性特征图像；

步骤4：将显著性特征的真值图像依次下采样到步骤3得到的多级特征同样的大小；包括：根据步骤3，得到4个不同尺度的特定级预测图P2～P5，与1个最终预测图P1，其中P2～P5依次为上一层一半的大小；将真值图像T1依次下采样到与预测图P2～P5相同的大小，得到T2～T5；

步骤5：利用步骤3预测的各级显著性特征图，与对应大小的步骤4得到的背景真值图之间的交叉熵损失，联合各级损失函数，得到最终的损失函数；包括：利用真值图像T1～T5与显著性特征图P1～P5之间的交叉熵损失函数，联合各级损失函数，得到最终的损失函数；

其中各级损失函数分别是：

其中，li,x,y∈{0,1}为真值图像Ti像素点(x,y)的标签，Pi,x,y分别表示各层次显著性特征图Pi像素点(x,y)属于前景的概率；

最终，所有预测的联合损失函数为

步骤6：利用损失函数进行端对端的训练，优化显著性图像；

步骤7：将待检测图像输入步骤6训练后的网络，经过步骤2～3的处理，得到对应的最终预测图。

2.根据权利要求1所述基于深监督学习的图像显著性目标检测方法，其特征在于，步骤

1具体实现如下：

对VGG‑16网络做了两处修改来适应显著性检测任务：去除VGG‑16网络的最后一层池化层，以保留最后一个卷积层的特征信息；此外，去除VGG‑16网络中所有的全连接层，以防止特征经过全连接层丢失特征的空间信息。

3.根据权利要求2所述基于深监督学习的图像显著性目标检测方法，其特征在于，步骤

2具体实现如下：

将待测图像S送入改进后的VGG‑16网络，经过卷积，信息过滤，提取到5个不同尺度和深度的特征图像，分别为S1～S5，由浅到深每层特征图像经过池化层后长宽都为上一层特征图像的一半。

4.根据权利要求3所述基于深监督学习的图像显著性目标检测方法，其特征在于，步骤

3具体实现如下：

对多级特征图像进行进行递归融合，每一层的特征图像与上一层的特征图像融合，生成本层次的新预测图：