1.一种基于递归解码器的显著性检测方法，其特征在于包括以下步骤：

(1)获取数据集与检测标签：

获取显著性检测公开数据集及对应的检测标签；

(2)构建检测模型，该模型由特征提取器、递归解码器RD‑1和RD‑2、边缘强化模块ER‑1和ER‑2、整体注意力模块HA构成，具体构建过程包括以下步骤：(2‑a)构建特征提取器，以ResNet‑50作为特征提取器的基础网络；所构建的特征提取器共分五层：第一层，即Res1，由单层卷积模块构成；第二层，即Res2，由一个池化层和三层残差模块构成；第三层，即Res3，由四层残差模块构成；第四层包括Res4‑1和Res4‑2，二者拥有相同的结构，都由六层残差模块构成，第五层包括Res5‑1和Res5‑2，二者也拥有相同的结构，都由三层残差模块构成；第四层和第五层为双分支结构，其中第四层的Res4‑1和第五层的Res5‑1串联构成第一个分支，第四层的Res4‑2和第五层的Res5‑2串联构成第二个分支；

输入图像经过Res1处理，获得三维特征图f1_1、f1_2和f1_3，且f1_1＝f1_2＝f1_3；f1_3输入Res2获得三维特征图f2_1、f2_2和f2_3，且f2_1＝f2_2＝f2_3；f2_3输入Res3获得三维特征图f3_1、f3_2和f3_3，且f3_1＝f3_2＝f3_3；f3_3依次经过第一个分支的Res4‑1和Res5‑1处理后分别获得三维特征图f4_1和f5_1；f3_3与整体注意力模块HA的输出结果通过逐像素相乘实现加权，加权结果依次经过第二个分支的Res4‑2和Res5‑2处理后分别获得三维特征图f4_2和f5_2；HA由单层卷积构成，它以递归解码器RD‑1的输出结果作为输入；

(2‑b)构建递归解码器RD‑n，该解码器由长依赖模块LRDM、感受野模块RFB、子解码器1、子解码器2、子解码器3和卷积模块Conv2构成；将步骤(2‑a)获取的特征图f2_n、f3_n、f4_n和f5_n分别作为递归解码器RD‑n的输入1、输入2、输入3和输入4，n＝1,2；fi_n依次经过LRDM与RFB处理后得到 其中i＝2,3,4,5；将 和 作为子解码器1的输入，得到输出结果mask1_n，将mask1_n和 作为子解码器2的输入，得到输出

结果mask2_n，将mask2_n和 作为子解码器3的输入，得到输出结果

mask3_n，将mask3_n作为卷积模块Conv2的输入，得到粗特征图mapn，即为递归解码器RD‑n的输出结果；

该步骤中的长依赖模块LRDM和子解码器分别构建如下：

(2‑b‑1)构建长依赖模块LRDM；以步骤(2‑a)获得的特征图fi_n作为输入，经该模块的通道维度自适应均值池化层处理并进行特征展开后，获得一维特征，将一维特征输入全连接层后，经过激活函数与特征逆展开处理，再与特征图fi_n进行逐像素相乘操作，得到LRDM的输出；其中i＝2,3,4,5，n＝1,2；

(2‑b‑2)构建子解码器，三个子解码器都具有相同的结构，由递归池化模块RP、递归上采样模块RU、上采样模块Up、通道注意力模块CA、卷积模块Conv1和拼接层构成；其中递归池化模块RP由池化层、卷积层和激活层构成，递归上采样模块RU由上采样层、卷积层和激活层构成；在子解码器1、2、3中，分别以直接输入到拼接层的特征 为基准特征，RP和RU分别对来自RFB的输入特征进行以基准特征尺寸为参考的尺度归一化；归一化后的特征与基准特征拼接后，再与上采样模块Up的输出结果通过逐像素相乘运算实现加权，加权结果依次输入CA和Conv1后，得到子解码器的输出；

子解码器1中RP的输入为 与 RU和Up的输入都为 子解码器2中RP的输入为

RU的输入为 与 Up的输入为子解码器1的输出；子解码器3中RP的输入为零，RU

的输入为 与 Up的输入为子解码器2的输出；

(2‑c)构建边缘强化模块ER‑n，该模块由卷积块1和卷积块2构成，其中卷积块1由三层残差模块构成，卷积块2由五层卷积构成；将步骤(2‑a)得到的特征图f1_n经卷积块1处理后，与步骤(2‑b)得到的粗特征图mapn进行逐像素相加，再经卷积块2处理后，得到显著性检测图，其中n＝1,2；

(3)构建损失函数：

构建如下混合损失函数Lmix：

Lmix＝LBCE+LMSSIM+LDice

其中LBCE为二元交叉熵损失，LMSSIM为平均结构相似性损失，LDice为Dice损失，分别定义如下：其中P表示预测图，Gt表示标签图，二者尺寸相同，H表示图的高，W表示图的宽，Pi，j和Gti,j分别表示P和Gt中(i，j)点的像素值，且Pi，j∈(0，1)，Gti,j为整数且Gti,j∈[0，1]，log表示求自然对数，表示逐像素相加操作， 表示逐像素相乘操作，C1与C2为实数常量，且C1、C2∈(0，0.1)；M表示将标签图Gt以及对应的预测图P划分成子图对的个数， 为预测图P第k个子图的均值， 为标签图Gt第k个子图的均值， 为预测图P第k个子图的方差， 为标签图Gt第k个子图的方差， 为预测图P的第k个子图和标签图Gt的第k个子图之间的协方差；|·|表示求取图像中所有像素的和；对模型的两个分支的显著性检测图分别计算混合损失函数，以这两个混合损失函数之和作为模型的总损失函数，定义如下：Ltotal＝Lmix‑1+Lmix‑2

其中，Lmix‑1和Lmix‑2分别表示第一和第二分支的显著性检测图与标签之间的混合损失，Ltotal表示模型的总损失函数；

(4)训练检测模型：

利用步骤(1)得到的数据集训练步骤(2)构建的检测模型，模型中的特征提取器使用预训练模型进行参数初始化；使用混合损失函数Lmix‑1和Lmix‑2分别衡量第一和第二分支的显著性检测图与标签之间的相似性；训练过程中使用Adam算法更新模型参数，并通过L‑2正则化作为约束，直到损失值不再下降，得到训练好的显著性检测模型；

(5)推理并获得检测结果：

将测试图像经过归一化处理之后，输入至训练好的显著性检测模型，该模型第二分支得到的显著性检测图即为最终的显著性检测结果。

2.如权利要求1所述的一种基于递归解码器的显著性检测方法，其特征在于，所述步骤(2‑b)中的子解码器，其作用是融合多尺度特征，获得显著性检测结果，具体计算公式为：mapn＝Convn(mask3_n)

其中 表示步骤(2‑b)中得到的特征图， 表示中间特征图，i＝2,3,4,5，j＝3,4,

5，n＝1,2，maskm_n表示第n个RD的第m个子解码器的输出结果，m＝1,2,3， U(·)表示上采样操作，D(·)表示池化操作，CCm_n(·)表示第n个RD的第m个子解码器中的CA模块和Conv1模块依次执行的操作，Cat(·)表示通道维度拼接， 表示逐像素相乘，Convn(·)表示第n个RD的卷积模块Conv2执行的操作。

3.如权利要求1所述的一种基于递归解码器的显著性检测方法，其特征在于，所述步骤(2‑b‑1)中的长依赖模块LRDM，用于为多尺度特征建立跨空间长依赖关系，消除卷积操作所导致的语义信息的空间割裂，具体计算公式为：Mo＝R(AdpAvgPool(fi_n))

Ml＝ρ(MLP(Mo))

其中fi_n表示步骤(2‑a)中得到的三维特征图，Mo与Ml为一维中间特征图，AdpAvgPool(·)表示自适应均值池化，将输入的三维特征图通过通道维度池化降维为二维特征图，R‑1(·)表示特征展开，R (·)表示特征逆展开，MLP(·)表示全连接网络，p(·)表示sigmoid激活函数， 表示逐像素相乘。