1.一种基于双路径处理的高分辨率显著性目标检测方法，其特征在于，包括：

步骤1:图像处理，输入的高分辨率图像首先经过包含深度可分离卷积的Head Bottleneck模块，对原始高分辨率图像处理降低其参数量，减少内存占用量和运算时间的消耗，为后续双边处理提供便利；

步骤2：感受野特征提取，全局上下文分支首先经过R‑ResNet骨干网络提取具有较大的感受野的特征；

步骤3：多尺度特征提取，R‑ResNet骨干网络得到的特征被送入多尺度特征提取和增强模块，从而得到包含全局上下文信息的并且具有较大感受野和丰富语义信息的多尺度特征；

步骤4、显著图生成，空间细节保持分支通过边缘信息引导模块提取详细的边缘信息，然后与全局上下文分支得到的特征互补融合得到最终的显著图结果；首先将全局语义特征和边界特征连接起来，然后利用DWConv有效地组合目标像素周围相邻像素的特征信息，并充分利用顶层和底层的互补性，最后，通过双线性插值将融合特征上采样到原始分辨率，所述边缘信息引导模块引导网络更加关注重要区域，它只有尽可能浅的四层，以节省更多细节来细化粗略的特征图；

在边缘信息引导模块，经过头部瓶颈模块处理的特征图被送入空间细节路径，经1×1卷积即Conv1×1、BN和ReLU对特征图处理；再采用DWConv3×3模块处理；然后采用全局池化操作，即 Global pool、 Conv1×1、ReLU来聚焦于最重要的边缘细节区域，经Softmax激活函数计算，与原始输入特征进行元素相乘即Mul操作、后再相加即Add操作，最后得到清晰的边缘特征图。

2.根据权利要求1所述的一种基于双路径处理的高分辨率显著性目标检测方法，其特征在于，多尺度特征提取模块主要由并行的空洞卷积组成。

3.根据权利要求1所述的一种基于双路径处理的高分辨率显著性目标检测方法，其特征在于，所述R‑ResNet骨干网络的第4,5 blocks内的普通卷积替换为6.12.18的不同空洞率的空洞卷积。

4.根据权利要求1所述的一种基于双路径处理的高分辨率显著性目标检测方法，其特征在于，所述Head Bottleneck模块包含一个标准卷积层，标准卷积层增加了特征通道，然后通过一个深度可分离卷积减轻特征通过深度可分离卷积层时的损失，最后，使用卷积和线性运算来恢复特征通道。

5.根据权利要求1所述的一种基于双路径处理的高分辨率显著性目标检测方法，其特征在于，在R‑ResNet骨干网络中，将3×3标准卷积替换为rate=2de 3×3空洞卷积，在不增加网络参数的情况下使特征图具有较大的感受野，而且能够使特征图的分辨率不再降低。

6.根据权利要求1所述的一种基于双路径处理的高分辨率显著性目标检测方法，其特征在于，所述多尺度特征提取和增强模块主要由不同空洞率的并行空洞卷积组成，利用批量归一化对输入特征图进行归一化，避免梯度消失，梯度的增加意味着学习收敛速度快，能够加快训练速度；采用1×1卷积减少特征图的通道，这些通道能够减少网络参数并控制模型大小，以防止网络变大。

7.根据权利要求1‑6任一项所述的一种基于双路径处理的高分辨率显著性目标检测方法，其特征在于，通过全局平均池化和1×1卷积来处理特征图，得到全局信息，通过修正残差网络来进行处理，最后，利用激活函数sigmoid对重要像素进行权重分配，突出重要的位置信息，抑制不需要的背景信息，模块可以学习对各通道的依赖程度，并根据不同的依赖程度调整特征图。