1.一种跨模态共注意光场显著目标检测方法，其特征在于包括以下步骤：

S1：获取数据集，并对其预处理；

S2：将预处理后的数据集输入到训练好的光场显著目标检测网络中；

S3：采用两个Pyramid Vision Transformer骨干网络分支分别提取RGB图像和焦点堆栈的特征；

S4：对RGB分支和焦点堆栈分支的特征分别执行通道压缩操作；

S5：利用交叉互补细化模块，挖掘两个模态之间的互补信息，实现特征的细化；

S6：通过跨模态分层共注意模块，整合相邻层级的特征信息，并进一步融合跨模态特征；

S7：采用RGB引导解码模块，实现最后的特征融合并解码输出显著图。

2.如权利要求1所述的跨模态共注意光场显著目标检测方法，其特征在于，所述数据集包括RGB图像和焦点切片，每张RGB图像对应12张不同的焦点切片，12张不同的焦点切片集合为焦点堆栈。

3.如权利要求1所述的跨模态共注意光场显著目标检测方法，其特征在于，所述训练好的光场显著目标检测网络的训练步骤包括：构建光场显著目标检测网络；

构建训练集，将其输入到光场显著目标检测网络中，进行训练；

光场显著目标检测网络输出检测结果；

将检测结果和输入RGB图像对应的真值图计算损失；

当损失值达到最小时，模型收敛，停止训练，得到训练好的光场显著目标检测网络。

4.如权利要求1所述的跨模态共注意光场显著目标检测方法，其特征在于，所述通道压缩操作将RGB分支所有层级特征的通道数压缩到32；在焦点堆栈分支中，首先利用通道注意力机制处理焦点切片，按照重要性为每个切片分配一个权重，并将得到的权重与对应的焦点切片特征逐元素相乘，得到重新分配权重后的焦点堆栈特征，然后将所有层次特征的通道数压缩到32，最终得到RGB特征和焦点堆栈特征其中，r表示RGB图像，f表示焦点堆栈，i表示特征的层级。

5.如权利要求1所述的跨模态共注意光场显著目标检测方法，其特征在于，所述的交叉互补细化模块将初始特征和依次通过全局平均池化，全连接层和Softmax层，提取和强化不同通道的关键信息，生成向量和随后将和与相应的向量和进行通道级乘操作，得到初次细化后的特征和和代表RGB分支第i层的全连接层参数，和表示焦点堆栈分支第i层的全连接层参数，GAP(·)表示全局平均池化操作，Softmax(·)表示Softmax函数，其具体计算公式如下：对初次细化后的特征和进行二次细化，将和分别进行全局最大池化和全局平均池化操作，将结果进行拼接，通过Softmax层，生成向量和随后将和与相应的向量和进行通道级乘操作，得到二次细化后的特征和GMP(·)表示全局最大池化操作，Cat[·]代表拼接操作，其具体计算公式如下：将和相乘生成交叉注意向量与和分别进行通道级乘操作，获得交叉细化增强后的特征和最后将和和分别相加，并通过卷积层获得特征和Conv(·)代表3×3卷积操作，其具体计算公式如下：

6.如权利要求1所述的跨模态共注意光场显著目标检测方法，其特征在于，所述的跨模态分层共注意模块整合相邻两层的特征，将较高层特征和上采样，通过通道注意操作生成注意图，与较浅层特征和相乘，再通过残差连接操作以保留浅层特征的信息，生成的结果与和通过残差块后的特征拼接，获得整合相邻层特征后的特征和Up(·)代表上采样操作，CA(·)代表通道注意力操作，RB(·)表示残差块，其具体计算公式如下：接下来，计算和的相似度矩阵Mi，通过Softmax函数对Mi进行列和行归一化，获得两个模态的共注意权重和利用和对和加权，得到特征和F(·)表示将特征的维度从H×W×C变为HW×C的flatten操作，表示矩阵乘操作，R(·)表示将特征的维度从C×HW变为H×W×C的reshape操作，其具体计算公式如下：

7.如权利要求1所述的跨模态共注意光场显著目标检测方法，其特征在于，所述的RGB引导解码模块利用RGB特征作为主导，融合第一层的RGB和焦点堆栈特征，即将依次通过通道和空间注意力层，与相加得到而不经过处理，SA(·)代表空间注意力操作，其具体计算公式如下：随后，将和进行通道级拼接，并输入到一个反卷积块DB中，获得最后的预测图S1，所述的DB由三个卷积层和三个反卷积层以交错级联的方式组成，其具体计算公式如下：