1.一种基于多尺度特征注意机制的快速显著性检测方法，其特征在于吧，该方法步骤如下：步骤(1).通过深度卷积网络对图像进行处理，获得基于不同卷积层的特征；

步骤(1.1)选取一张用于显著性检测的图片，将图片记为图片I；

步骤(1.2)将图片I输入深度卷积网络中，根据深度卷积网络的不同卷积层，获得五个特征{fi,i＝1,2,3,4,5}，分别对应于Conv1-2、Conv2-2、Conv3-3、Conv4-3、Conv5-3的输出，其中f1和f2为较浅层特征，f3、f4和f5为高级语义特征；

步骤(2).分别对获得基于不同卷积层的特征进行处理；

步骤(2.1)将较浅层特征输入空间变换网络(Spatial Transformer Networks，STN)，获得去除背景信息干扰的特征信息；

步骤(2.2)分别将高级语义特征f3、f4和f5输入至金字塔扩张卷积模块中，获得经金字塔扩张卷积的特征 金字塔扩张卷积由层平行的空洞卷积层组成，对应扩张比例分别为：2、4、8、16；空洞卷积层的卷积核为3×3×32；

步骤(3).将处理后的较浅层特征和高级语义特征输入至解码器中，生成显著性检测图，具体步骤如下：步骤(3.1)对高级语义特征经过金字塔扩张卷积提取的特征

进行处理，将特征 与对应的高级语义特征{fi,i＝3,4,5}合并，通过特征双线性插值级联组成一组强化特征，最终获得高级语义特征f3、f4和f5对应的三组强化特征x1、x2和x3；

步骤(3.2)设计解码器框架，包括4个分支{bm,m＝1,2,3,4}，在每个分支中加入1×1的卷积核，将通道减少到32个，对于分支{bm,m＞1}增加两层卷积层，分别为(2m-1)×(2m-1)的卷积层以及3×3伴随扩张率为(2m-1)的卷积层；将强化特征x1、x2和x3输入至解码器中，获得预估显著性图的特征；

步骤(3.3)将获得的预估显著性图的特征与较浅层特征通过空间变换网络后获得的去除背景信息干扰的特征信息再输入至解码器中得到最终特征，将获得的最终特征通过1x1卷积进行预测获得显著性图S。