1.一种融合边缘特征的显著目标检测方法，其特征在于，包括：采用主干网络对图像进行处理，得到边缘特征和多组显著性特征；

采用自注意力群像素融合模块对边缘特征和显著性特征进行处理，得到显著边缘特征和显著目标特征；

采用池化模型对显著性特征进行处理，得到全局显著性特征；

采用双向特征融合模块对显著边缘特征、显著目标特征和全局显著性特征进行融合，获取检测结果；

主干网络包括：ResNet50；去除ResNet50的最后一组block的全连接层，并将剩余的卷积块标记为F1~F5；

主干网络对图像的处理步骤如下：

将图像输入主干网络，从第二层卷积层开始依次获取各个卷积层的输出的一组显著性特征，从第二层卷积层获取输出的边缘特征；

自注意力群像素融合模块对边缘特征和显著性特征的处理步骤如下：采用一个自注意力群像素融合模块对边缘特征进行处理，得到显著边缘特征；

采用四个自注意力群像素融合模块对四组显著性特征进行处理，得到四组显著目标特征；

双向特征融合模块的融合步骤如下：

对显著边缘特征进行下采样并将数据与第四组显著目标特征和全局显著性特征输入第一个双向特征融合模块；

将第一个双向特征融合模块的输出、第三组显著目标特征和全局显著性特征输入第二个双向特征融合模块；

将第二个双向特征融合模块的输出、第二组显著目标特征和全局显著性特征输入第三个双向特征融合模块；

将第三个双向特征融合模块的输出、第一组显著目标特征和全局显著性特征输入第四个双向特征融合模块；

将第四个双向特征融合模块的输出作为检测结果；

其中，使用BCE和CEL的混合作为显著目标检测任务的丢失；

BCE损失写为:

其中∈[0,1]H×W×1表示预测，∈{0,1}H×W×1表示真实值；和分别是图像的宽度和高度的像素的总数；

CEL损失表示为:

其中∈,∈；综上所述，边缘损失和显著性损失记为:整体损失函数为:

其中和分别是中间层的边缘损失和显著性损失； =0.8，λ1=λ2=0.6。

2.一种融合边缘特征的显著目标检测系统，其特征在于，包括：第一处理模块，用于采用主干网络对图像进行处理，得到边缘特征和多组显著性特征；

第二处理模块，用于采用自注意力群像素融合模块对边缘特征和显著性特征进行处理，得到显著边缘特征和显著目标特征；

第三处理模块，用于采用池化模型对显著性特征进行处理，得到全局显著性特征；

融合检测模块，用于采用双向特征融合模块对显著边缘特征、显著目标特征和全局显著性特征进行融合，获取检测结果；

主干网络包括：ResNet50；去除ResNet50的最后一组block的全连接层，并将剩余的卷积块标记为F1~F5；

主干网络对图像的处理步骤如下：

将图像输入主干网络，从第二层卷积层开始依次获取各个卷积层的输出的一组显著性特征，从第二层卷积层获取输出的边缘特征；

自注意力群像素融合模块对边缘特征和显著性特征的处理步骤如下：采用一个自注意力群像素融合模块对边缘特征进行处理，得到显著边缘特征；

采用四个自注意力群像素融合模块对四组显著性特征进行处理，得到四组显著目标特征；

双向特征融合模块的融合步骤如下：

对显著边缘特征进行下采样并将数据与第四组显著目标特征和全局显著性特征输入第一个双向特征融合模块；

将第一个双向特征融合模块的输出、第三组显著目标特征和全局显著性特征输入第二个双向特征融合模块；

将第二个双向特征融合模块的输出、第二组显著目标特征和全局显著性特征输入第三个双向特征融合模块；

将第三个双向特征融合模块的输出、第一组显著目标特征和全局显著性特征输入第四个双向特征融合模块；

将第四个双向特征融合模块的输出作为检测结果；

其中，使用BCE和CEL的混合作为显著目标检测任务的丢失；

BCE损失写为:

其中∈[0,1]H×W×1表示预测，∈{0,1}H×W×1表示真实值；和分别是图像的宽度和高度的像素的总数；

CEL损失表示为:

其中∈,∈；综上所述，边缘损失和显著性损失记为:整体损失函数为:

其中和分别是中间层的边缘损失和显著性损失； =0.8，λ1=λ2=0.6。