1.一种基于深度学习的协同显著性检测方法，其特征在于，包括以下步骤：步骤一：给定一个包含N个图像的图像组 其中N个图像整体特征相似；

步骤二：通过预训练的特征提取网络提取图像组 的目标特征，得到一组图像N×C×H×W的特征图F∈R ；

N×C×H×W

步骤三：将一组图像的特征图F∈R 输入进分组注意力模块中，得到改善后的特征N×C×H×W图f∈R ；

N×C×H×W

步骤四：将特征图f∈R 输入进共识模块，得到一组图像的共同显著性目标特征共

1×C×1×1

识E∈R ；

步骤五：基于特征图f和共识E得到共同显著性目标特征图，将其与特征提取网络中不同尺度的特征图进行自上而下的迭代，得到协同显著性图；

在步骤三中，包括以下步骤：

N×C×H×W

将一组图像的特征图F∈R 依次划分为4个互斥组[F'1,F'2,F'3,F'4]，然后定义为其中一个互斥小组特征，按照如下步骤进行注意力特征改善：

1 3×3，1’ 1×1

An＝softmax(PW(maxpool (DW (Fn))))                  (1)f＝concat([f1,f2,f3,f4])                                 (3)

3×3，1 1×1

在公式(1)中，maxpool 是3×3的最大池化核并且padding＝1，DW 是1×1的DW卷1

积，PW 是只有一个滤波器的1×1卷积，采用softmax函数规范化，An是一个从一组中间特征映射F'n推断出来的注意力映射；

每一组注意力映射经过公式(2)中的特征分布后得到细化的特征映射集fn，其中 元素乘法，是 元素加法；

分组注意力模块的输出f是通过公式(3)连接每一组的特征映射集得到的；

在步骤四中，包括以下步骤：

N×C×H×W NHW

首先，对输入的特征图f∈R 采用内积进行逐像素的内积，得到亲和图Sf∈R×NHW，如公式(4)所示：

T

S＝θ(f) φ(f)          (4)其中，θ和φ为线性嵌入函数；

NHW×N

然后，计算亲和图Sf中每个图像的最大值得Mf∈R ，并且平均N个图像的最大值生成NHW×1全局注意力亲和图Af∈R ；

N×(1×H×W)

使用一个softmax函数来规范Af并且改变其形式，生成注意力图As∈R ；

a N×C×H×W

再将注意力图As与原始特征图f相乘得到注意力特征图f∈R ；

a N×C×H×W

最后通过对注意力特征图f ∈R 沿批次维度和空间维度的平均池化生成图像组

1×C×1×1

的共识E∈R ；

在步骤五中，包括以下步骤：

N×C×H×W 1×C×1×1将图像组的特征图f∈R 与其共识E∈R 相乘得到图像组的共同显著性目标特征图 再用2个卷积层将其通道数将为64得步骤(2)中采用在ImageNet预训练的VGG‑16对输入的图像组进行特征提取，其分支VGG‑16_1，VGG‑16_2，VGG‑16_3，VGG‑16_4提取的特征为Fn,n∈(1,2,3,4)；

然后依次按照如下步骤进行自上而下解码：其中，(·)↑为上采样，将 上采样至Fn大小；

L(·)为2个卷积层，将Fn通道数降为64，为元素加法；

E(·)是两个64核卷积层；

D(·)用于深度监督，通过两个卷积层和一个sigmoid层输出预测；最终S1为图像组的协同显著性图；

在训练过程中损失函数如下：

其中Sn是显著图预测，Gn是ground truth。