1.一种基于弱监督学习的协同显著性检测方法，其特征在于包括以下步骤：步骤(1)深度神经网络的构建和预训练；

步骤(2)弱监督数据集的划分；

步骤(3)显著性图像样本增强；

步骤(4)协同显著性图的预测；

所述的步骤(1)具体实现如下：

所述的深度神经网络即边缘感知显著性目标检测网络BASNet；所述的预训练是在基于BASNet的原有参数下，再使用协同显著性检测数据集进行训练实现模型微调；所述的的数据集为协同显著性检测领域中较常见的三个数据集CoSal2015、Coseg‑Rep、PASCAL，合并后作为网络预训练的输入，然后使用BASNet的公开训练参数进行训练得到BASNet的网络内部参数A；

所述的步骤(2)具体实现如下：

选取的测试数据集是协同显著性检测常见的三个：iCoseg、MSRC、CoSOD3k，具体划分步骤如下：对于一个协同显著性检测数据集D，图像有N个类别，即D＝{C1,C2,...,CN}，其中每个类别有数量不等的样本图片 ；Ci中有M个图像样本 ，即 其中表示具有mp个像素点的图像样本， 表示具有mp个像素点的二进制真值图； 表示显著目标像素， 表示背景像素；

每个类别随机选取floor(M/2)个图像样本作为训练集，剩余的M‑floor(M/2)个图像样本作为测试集；floor(*)表示向下取整的操作；得到：其中

和 两者表示同一图像样本类别对应的训练集和测试集；Dtrain表示弱监督中的训练集，用于网络的训练微调；Dtest表示弱监督中的测试集，用于最终计算显著性图，进行算法评估；

所述的步骤(3)具体实现如下：

对Dtrain进行增强，得到新训练集：

其中

cFm和cYm是增强后的图像样本和对应的真值图，θ即判定是否执行样本增强操作的阈值，取值为0.05；

所述的样本增强操作即将 的部分随机在对应的真值图和图像样本中复制，重复k次，具体操作可表示为：获得显著性目标在对应真值图和图像样本中的位置索引组idx0：其中显著性目标的索引 满足条件

将位置索引组进行随机平移，得到 其中

Rk为随机数，且Rk＜|mp|；最终得到的样本图像对应的增强图像和真值图为 其中

2.根据权利要求书1所述的一种基于弱监督学习的协同显著性检测方法，其特征在于所述的步骤(4)具体实现如下：将Dctrain输入到步骤(1)构建的并预训练好的深度神经网络BASNet中，对步骤(2)中划分得到的Dtest的每一类单独预测；具体操作如下：给定每一个协同显著类 对BASNet加载步骤(1)中参数A，再将协同显著类 输入，计算网络的损失函数并反向传播进行网络的训练微调，迭代指定次数后得到网络的内部参数Bi；将Dtest中的Fm和网络的内部参数Bi输入到BASNet中即可得到目标协同显著性图。