1.一种基于渐进式注意力增强的光学遥感图像显著目标检测方法，其特征在于，包括如下步骤：S1：获取光学遥感图像显著目标检测数据集；

S2：对光学遥感图像显著目标检测数据集进行预处理；

S3：将预处理后的图像输入层级渐进融合编码器进行特征提取，捕获全局不规则拓扑结构和局部细粒度图像细节；同时，采用层级渐进融合编码器中的渐进交互融合模块，弥合来自全局和局部的多尺度特征间的语义差异，实现跨层级特征融合；

所述的层级渐进融合编码器采用双路径异构融合架构与层级渐进融合机制实现特征提取与融合；

所述的双路径异构融合架构分为细节感知路径和全局建模路径，具体为：

细节感知路径：基于VGG16网络构建，移除其末端全局平均池化层与全连接层，包含五个特征提取阶段，用于捕获图像的局部细节特征；

全局建模路径：基于Swin Transformer网络构建，包含三个特征提取阶段，集成了渐进交互融合模块，用于动态建模图像的全局不规则拓扑结构，并实现跨层级特征融合；

所述的层级渐进融合机制为：将预处理后的图像输入层级渐进融合编码器，首先经过细节感知路径进行特征提取，随着网络向更深层发展，从细节感知路径的第三阶段起，开始与全局建模路径的三个阶段以并行方式处理同层的输入特征，两个路径之间通过渐进交互融合模块实现跨层级特征融合，细节感知路径的局部细粒度图像细节与全局建模路径的全局不规则拓扑结构逐层双向补偿，逐步纯化高质量特征并弥合语义鸿沟；

所述的渐进交互融合模块被嵌入全局建模路径中，通过跨模态注意力交互，自适应融合细节感知路径和全局建模路径的互补特征；

S4：将层级渐进融合编码器的输出特征输入全局上下文增强模块，引入非局部块作为前置模块，增强特征的空间相关性；采用并行多分支结构，捕获从局部细节到远距离语义的多层次上下文信息，进一步增强全局上下文信息的建模；

S5：将层级渐进融合编码器和全局上下文增强模块的输出特征输入多尺度渐进式注意力增强解码器，采用显著性引导的注意力机制，对输入的特征进行层级化解码；

每级解码单元利用多尺度注意力增强模块作为核心融合单元，多尺度注意力增强模块采用并行注意力增强机制，同时建模空间与通道维度的特征关联，强化显著区域和边界响应，实现输入特征的自适应增强与融合；各级解码单元逐步聚合深层语义信息与浅层细节特征，实现从粗到细的渐进式优化；

S6：在训练集上训练模型，保存最佳模型参数；将测试集图像输入模型中，得到显著目标检测结果。

2.根据权利要求1所述的基于渐进式注意力增强的光学遥感图像显著目标检测方法，其特征在于，构建所述渐进交互融合模块，具体为：渐进交互融合模块被嵌入全局建模路径中，对输入的全局特征和局部特征分别进行全局平均池化操作，上采样后与原始特征拼接；将拼接后的特征经降维卷积层处理，通过跨模态注意力交互计算全局和局部特征间的空间注意力权重，自适应融合细节感知路径和全局建模路径的互补特征；利用空间注意力图进行特征重构，生成对称注意力图用于特征选择，进一步增强显著目标的语义一致性，从而抑制噪声干扰。

3.根据权利要求1所述的基于渐进式注意力增强的光学遥感图像显著目标检测方法，其特征在于，构建所述全局上下文增强模块，具体为：首先，对于全局不规则拓扑结构，引入非局部块作为前置模块，通过自注意力机制建立特征图内任意空间位置的长程关联，增强特征的空间相关性；非局部块利用通道降维后的g、θ和矩阵计算像素间相似度矩阵，生成注意力权重，对全局特征进行动态加权融合，从而打破传统卷积操作的局部性限制，增强对遮挡区域和分散目标的特征一致性表达；随后，采用并行多分支结构，捕获从局部细节到远距离语义的多层次上下文信息；最后，进行特征拼接与压缩，将各分支输出特征沿通道维度拼接，通过特征融合层生成增强特征，保留多分支的互补信息，进一步增强全局上下文信息的建模。

4.根据权利要求1所述的基于渐进式注意力增强的光学遥感图像显著目标检测方法，其特征在于，所述的并行多分支结构，包括：

1×1卷积分支：进行基础的卷积操作，保留原始空间信息；

多尺度空洞卷积分支：采用3个不同膨胀率的并行卷积层，不同膨胀率的空洞卷积有效扩大卷积核的感受野；其中，3个不同膨胀率分别为3、6、9；

全局池化分支：用于捕获图像级语义信息。

5.根据权利要求1中所述的基于渐进式注意力增强的光学遥感图像显著目标检测方法，其特征在于，构建所述多尺度渐进式注意力增强解码器，具体为：采用显著性引导的注意力机制，每级解码单元包含两个并行的多尺度注意力增强模块；多尺度注意力增强模块用于实现输入特征的自适应增强与融合；

每级解码单元将两个多尺度注意力增强模块的输出进行特征拼接；利用两个串联的3×3卷积层进行信息融合与通道调整，对低分辨率解码特征进行双线性插值上采样，实现跨层级特征对齐；利用一个3×3卷积层将每级处理后的解码特征映射为单通道显著性预测图；

输出当前解码特征与显著性预测图至下一级，用于多级监督训练与特征融合；

各级解码单元逐级生成从粗到细的多尺度显著性预测图，通过逐级上采样逐步聚合深层语义信息与浅层细节特征，实现多尺度特征融合与注意力引导增强。

6.根据权利要求1中所述的基于渐进式注意力增强的光学遥感图像显著目标检测方法，其特征在于，构建所述多尺度注意力增强模块，具体为：采用并行注意力增强机制，并行计算通道注意力与空间注意力，以获得通道级与空间级的注意力权重，并将通道维度分支与空间维度分支的注意力权重进行加权融合，实现对通道维度分支与空间维度分支特征的关联建模，同时强化显著区域和边界响应。