1.一种显著性真值图的生成方法，其特征在于，包括：获取待标记图像；

将所述待标记图像输入至分类分支模型中，生成类激活图；其中，所述类激活图表征所述待标记图像中所述分类分支模型所关注的高亮区域；

将所述待标记图像输入至回归分支模型中，生成显著性区域图；其中，所述显著性区域图为包含显著性边框的待标记图像；

将所述类激活图中的高亮区域与所述显著性区域图中的显著性边框的内部区域的交集进行标记，生成显著性真值图。

2.根据权利要求1所述的显著性真值图的生成方法，其特征在于，通过如下步骤获取所述分类分支模型以及所述回归分支模型：获取训练样本图像；其中，所述训练样本图像包括多个第一图像以及与每个所述第一图像对应的显著性特征图；

依次将所述训练样本图像输入至初始分类模型中进行训练，得到所述分类分支模型，以及依次将所述训练样本图像输入至初始回归模型中进行训练，得到所述回归分支模型。

3.根据权利要求2所述的显著性真值图的生成方法，其特征在于，所述获取训练样本图像，包括：获取多个所述第一图像；

采用频率调谐算法对每个所述第一图像进行处理，生成与每个所述第一图像对应的频率调谐结果图；

采用多尺度边缘算法对每个所述第一图像进行处理，生成与每个所述第一图像对应的多尺度边缘特征图；

其中，所述频率调谐结果图以及所述多尺度边缘特征图均为所述显著性特征图。

4.根据权利要求1所述的显著性真值图的生成方法，其特征在于，所述将所述类激活图中的高亮区域与所述显著性区域图中的边框内部区域的交集进行标记，生成显著性真值图，包括：将所述类激活图中的高亮区域与所述显著性区域图中的边框内部区域的交集进行标记，生成第一标记图；

通过全连接条件随机场算法对所述第一标记图进行后处理，生成对所述第一标记图中的粗糙标记进行优化后的第二标记图；其中，所述第二标记图为所述显著性真值图。

5.一种显著性检测模型的训练方法，其特征在于，包括：获取训练样本图像；

将所述训练样本图像输入至初始模型中，得到所述训练样本图像中的每个像素点为显著区域的概率值；

基于所述概率值以及显著性真值图计算损失值，并基于所述损失值对所述初始模型的模型参数进行优化，得到预测模型；其中，通过如权利要求1所述的显著性真值图的生成方法对所述训练样本图像进行标记，得到所述显著性真值图；所述预测模型为显著性检测模型。

6.根据权利要求5所述的显著性检测模型的训练方法，其特征在于，所述损失值的计算公式为：其中，

7.一种显著性真值图的生成装置，其特征在于，包括：获取模块，用于获取待标记图像；

第一生成模块，用于将所述待标记图像输入至分类分支模型中，生成类激活图；其中，所述类激活图表征所述待标记图像中所述分类分支模型所关注的高亮区域；

第二生成模块，用于将所述待标记图像输入至回归分支模型中，生成显著性区域图；其中，所述显著性区域图为包含显著性边框的待标记图像；

标记模块，用于将所述类激活图中的高亮区域与所述显著性区域图中的显著性边框的内部区域的交集进行标记，生成显著性真值图。

8.一种显著性检测模型的训练装置，其特征在于，包括：获取模块，用于获取训练样本图像；

输入模块，用于将所述训练样本图像输入至初始模型中，得到所述训练样本图像中的每个像素点为显著区域的概率值；

训练模块，用于基于所述概率值以及显著性真值图计算损失值，并基于所述损失值对所述初始模型的模型参数进行优化，得到预测模型；其中，通过如权利要求7所述的显著性真值图的生成装置对所述训练样本图像进行标记，得到所述显著性真值图；所述预测模型为显著性检测模型。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；

所述存储器用于存储程序；

所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-4中任一项所述的方法，和/或执行如权利要求5-6中任一项所述的方法。

10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如权利要求1-4中任一项所述的方法，和/或执行如权利要求5-6中任一项所述的方法。