基于点调制与自动聚焦的视觉定位方法

本发明提出一种基于点调制与自动聚焦的视觉定位方法，核心解决视觉定位任务中“多尺度适配差、计算成本高、跨模态交互低效”的关键问题。该方法通过构建“参数冻结的预训练视觉模型+可插拔自动对焦镜头模块”的核心架构，骨干网络与定位头以减少参数冗余，构建含跨注意力机制的自动对焦镜头模块实现视觉‑语言深度对齐，设计多尺度分配策略优化软标签权重以适配不同尺寸目标，采用LoRA技术轻量化微调文本编码器。本发明根据自然语言定位指令在视频或图像中精准定位目标边界框，并实现“多尺度目标精准定位、轻量化训练、端到端推理”，适用自动驾驶、机器人交互、智能影像分析等任务场景，为视觉定位任务提供高效解决方案。