1.一种弱监督目标定位方法，其特征在于，包括如下步骤：

S1：导入原始图像数据集，并将所述原始图像数据集划分为图像训练集和图像测试集;S2：将所述图像训练集中的各个原始图像进行多个角度旋转，得到各个原始图像的多个旋转图像；

S3：对所述图像训练集中各个原始图像以及各个原始图像的各个旋转图像进行多通道特征提取，得到所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组；

S4:根据所述图像训练集中各个原始图像的特征谱组中预设层特征谱以及各个旋转图像的特征谱组中预设层特征谱进行旋转预测总损失函数的计算，得到旋转预测总损失函数；

S5：构建伪标签生成网络，根据所述旋转预测总损失函数、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组对所述伪标签生成网络进行伪标签生成网络更新的分析，得到对比总损失函数以及所述图像训练集中各个原始图像的目标对象定位图和伪标签；

S6：构建协同定位网络，根据所述对比总损失函数以及所述图像训练集中各个原始图像的目标对象定位图和伪标签对所述协同定位网络进行协同定位网络更新的分析，得到目标协同定位网络；

S7：通过所述目标协同定位网络对所述图像测试集中的所有原始图像进行测试，得到目标定位结果；

所述S5的过程包括：

S51：构建伪标签生成网络；

S52：根据所述伪标签生成网络、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组依次进行上采样分析、元素相乘融合、第一次全局平均池化处理以及注意力擦除的分析，对应得到所述图像训练集中各个原始图像的上采样特征谱组、原始定位谱、上采样特征向量和擦除后定位谱以及各个旋转图像的上采样特征谱组、原始定位谱、上采样特征向量和擦除后定位谱；

S53：对所述图像训练集中各个原始图像的原始定位谱和擦除后定位谱以及各个旋转图像的原始定位谱和擦除后定位谱依次进行第二次全局平均池化以及第一次归一化处理，得到所述图像训练集中各个原始图像的原始定位谱归一化向量和擦除后定位谱归一化向量以及各个旋转图像的原始定位谱归一化向量和擦除后定位谱归一化向量；

S54：导入与所述图像训练集中各个原始图像一一对应的地面真值类别标签，根据所述图像训练集中所有原始图像的上采样特征向量、原始定位谱归一化向量和擦除后定位谱归一化向量、各个旋转图像的上采样特征向量、原始定位谱归一化向量和擦除后定位谱归一化向量以及所有的地面真值类别标签计算损失函数，得到特征谱分类总损失函数和对比总损失函数；

S55：根据所述图像训练集中各个原始图像的上采样特征向量、原始定位谱和擦除后定位谱、各个旋转图像的上采样特征向量、原始定位谱和擦除后定位谱以及所有原始图像所对应的地面真值类别标签进行辅助总损失函数的分析，得到辅助总损失函数、所述图像训练集中各个原始图像的目标对象定位图以及各个旋转图像的目标对象定位图；

S56：根据所述图像训练集中所有原始图像的目标对象定位图、多个旋转图像的目标对象定位图以及所有原始图像所对应的地面真值类别标签进行定位谱分类总损失函数的分析，并根据损失函数分析后的结果、所述特征谱分类总损失函数、所述辅助总损失函数、所述旋转预测总损失函数以及所述对比总损失函数计算损失函数,并根据计算后的结果对所述伪标签生成网络进行参数更新，并根据参数更新后的结果对所述图像训练集中各个原始图像进行测试分析，得到所述图像训练集中各个原始图像的伪标签；

所述目标对象定位图包括多个目标对象定位图像素点，所述伪标签包括多个与所述目标对象定位图像素点对应的伪标签像素点；

所述S6的过程包括：

构建协同定位网络；

根据所述图像训练集中各个原始图像的所有目标对象定位图像素点和所有伪标签像素点进行损失函数计算，并将计算后的结果进行求和运算，得到分割总损失函数；

根据所述对比总损失函数和所述分割总损失函数进行损失函数计算，得到协同定位网络损失函数；

根据所述协同定位网络损失函数对所述协同定位网络进行参数更新，得到目标协同定位网络。

2.根据权利要求1所述的弱监督目标定位方法，其特征在于，所述S4的过程包括：导入与所述图像训练集中各个原始图像一一对应的真实角度标签；

根据所述图像训练集中各个原始图像的特征谱组中预设层特征谱、各个旋转图像的特征谱组中预设层特征谱以及所有的真实角度标签计算损失函数，得到旋转预测总损失函数。

3.根据权利要求1所述的弱监督目标定位方法，其特征在于，所述伪标签生成网络包括第一1×1卷积层组、第一1×1卷积层、Sigmoid激活函数层、第二1×1卷积层组以及第一ReLU激活函数层；

所述S52中，根据所述伪标签生成网络、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组进行上采样分析的过程包括：根据所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组进行第三次全局平均池化处理；

通过所述第一1×1卷积层组对第三次全局平均池化处理结果进行第一次维度转换；

对第一次维度转换后的结果进行第一次元素相乘融合；

通过所述第一1×1卷积层对第一次元素相乘融合后的结果进行第二次维度转换；

通过所述Sigmoid激活函数层对第二次维度转换后的结果进行第二次归一化处理；

对第二次归一化处理后的结果进行第二次元素相乘融合；

通过所述第二1×1卷积层组对第二次元素相乘融合后的结果进行第三次维度转换；

通过所述第一ReLU激活函数层对第三次维度转换后的结果进行第三次归一化处理；

对第三次归一化处理后的结果进行上采样处理，得到所述图像训练集中各个原始图像的上采样特征谱组以及各个旋转图像的上采样特征谱组。

4.根据权利要求3所述的弱监督目标定位方法，其特征在于，所述伪标签生成网络还包括第二1×1卷积层以及第二ReLU激活函数层;所述S52中，根据所述伪标签生成网络、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组进行注意力擦除的分析的过程包括：通过所述第二1×1卷积层对所述图像训练集中各个原始图像的上采样特征谱组以及各个旋转图像的上采样特征谱组进行第四次维度转换；

通过所述第二ReLU激活函数层对第四次维度转换后的结果进行第四次归一化处理；

按照预设类别对第四次归一化处理后的结果进行注意力谱的提取；

对提取后的结果进行最大值最小值归一化处理，得到所述图像训练集中各个原始图像的归一化注意力谱组以及各个旋转图像的归一化注意力谱组；

根据所述图像训练集中各个原始图像的归一化注意力谱组以及各个旋转图像的归一化注意力谱组依次进行像素点计算以及集合像素点，对应得到所述图像训练集中各个原始图像的注意力擦除掩码组以及各个旋转图像的注意力擦除掩码组；

分别将所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组与所述图像训练集中各个原始图像的注意力擦除掩码组以及多个旋转图像的注意力擦除掩码组进行第三次元素相乘融合，并将第三次元素相乘融合后的结果执行S52中上采样分析、元素相乘融合以及第一次全局平均池化处理，得到所述图像训练集中各个原始图像的擦除后定位谱以及各个旋转图像的擦除后定位谱。

5.根据权利要求1所述的弱监督目标定位方法，其特征在于，所述S55的过程包括：通过第三1×1卷积层以及第三ReLU激活函数层对所述图像训练集中各个原始图像的原始定位谱和擦除后定位谱以及各个旋转图像的原始定位谱和擦除后定位谱依次进行第五次维度转换以及第五次归一化处理，得到所述图像训练集中各个原始图像的原始对象定位谱和擦除后对象定位谱以及各个旋转图像的原始对象定位谱和擦除后对象定位谱；

根据所述图像训练集中各个原始图像的原始对象定位谱和擦除后对象定位谱以及各个旋转图像的原始对象定位谱和擦除后对象定位谱依次进行像素点计算以及集合像素点，得到所述图像训练集中各个原始图像的目标对象定位图以及各个旋转图像的目标对象定位图；

对所述图像训练集中各个原始图像的原始对象定位谱以及各个旋转图像的原始对象定位谱进行第四次全局平均池化，并根据第四次全局平均池化后的结果、所述图像训练集中所有原始图像的上采样特征向量以及所有旋转图像的上采样特征向量进行损失函数计算，得到辅助总损失函数。

6.根据权利要求5所述的弱监督目标定位方法，其特征在于，所述S56中，根据所述图像训练集中所有原始图像的目标对象定位图、多个旋转图像的目标对象定位图以及所有原始图像所对应的地面真值类别标签进行定位谱分类总损失函数的分析的过程包括：对所述图像训练集中各个原始图像的目标对象定位图以及各个旋转图像的目标对象定位图进行第五次全局平均池化，并根据第五次全局平均池化后的结果以及所有地面真值类别标签进行损失函数计算，得到定位谱分类总损失函数。

7.根据权利要求1所述的弱监督目标定位方法，其特征在于，所述S56中，根据参数更新后的结果对所述图像训练集中各个原始图像进行测试分析，得到所述图像训练集中各个原始图像的伪标签的过程包括：通过参数更新后的结果对所述图像训练集中各个原始图像进行测试，得到所述图像训练集中各个原始图像的原始激活谱，所述原始激活谱包括多个原始激活谱像素点；

依次计算所有原始图像的所有原始激活谱像素点的平均像素点、方差以及相关系数，对应得到原始激活谱平均像素点、原始激活谱像素点方差以及原始激活谱像素点相关系数;根据所述原始激活谱平均像素点、所述原始激活谱像素点方差、所述原始激活谱像素点相关系数以及所述图像训练集中各个原始图像的原始激活谱依次进行像素点计算以及集合像素点，得到所述图像训练集中各个原始图像的高斯激活谱；

分别将所述图像训练集中各个原始图像的原始激活谱与所述图像训练集中各个原始图像的高斯激活谱进行第四次元素相乘融合，并按照三个预设分割阈值对第四次元素相乘融合后的结果进行分割，且将分割的结果作为所述图像训练集中各个原始图像的伪标签。

8.一种弱监督目标定位装置，其特征在于，包括：

划分模块，用导入原始图像数据集，并将所述原始图像数据集划分为图像训练集和图像测试集;旋转模块，用于将所述图像训练集中的各个原始图像进行多个角度旋转，得到各个原始图像的多个旋转图像；

特征提取模块，用于对所述图像训练集中各个原始图像以及各个原始图像的各个旋转图像进行多通道特征提取，得到所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组；

损失计算模块，用于根据所述图像训练集中各个原始图像的特征谱组中预设层特征谱以及各个旋转图像的特征谱组中预设层特征谱进行旋转预测总损失函数的计算，得到旋转预测总损失函数；

第一网络更新模块，用于构建伪标签生成网络，根据所述旋转预测总损失函数、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组对所述伪标签生成网络进行伪标签生成网络更新的分析，得到对比总损失函数以及所述图像训练集中各个原始图像的目标对象定位图和伪标签；

第二网络更新模块，用于构建协同定位网络，根据所述对比总损失函数以及所述图像训练集中各个原始图像的目标对象定位图和伪标签对所述协同定位网络进行协同定位网络更新的分析，得到目标协同定位网络；

目标定位结果获得模块，用于通过所述目标协同定位网络对所述图像测试集中的所有原始图像进行测试，得到目标定位结果；

所述第一网络更新模块具体用于：

S51：构建伪标签生成网络；

S52：根据所述伪标签生成网络、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组依次进行上采样分析、元素相乘融合、第一次全局平均池化处理以及注意力擦除的分析，对应得到所述图像训练集中各个原始图像的上采样特征谱组、原始定位谱、上采样特征向量和擦除后定位谱以及各个旋转图像的上采样特征谱组、原始定位谱、上采样特征向量和擦除后定位谱；

S53：对所述图像训练集中各个原始图像的原始定位谱和擦除后定位谱以及各个旋转图像的原始定位谱和擦除后定位谱依次进行第二次全局平均池化以及第一次归一化处理，得到所述图像训练集中各个原始图像的原始定位谱归一化向量和擦除后定位谱归一化向量以及各个旋转图像的原始定位谱归一化向量和擦除后定位谱归一化向量；

S54：导入与所述图像训练集中各个原始图像一一对应的地面真值类别标签，根据所述图像训练集中所有原始图像的上采样特征向量、原始定位谱归一化向量和擦除后定位谱归一化向量、各个旋转图像的上采样特征向量、原始定位谱归一化向量和擦除后定位谱归一化向量以及所有的地面真值类别标签计算损失函数，得到特征谱分类总损失函数和对比总损失函数；

S55：根据所述图像训练集中各个原始图像的上采样特征向量、原始定位谱和擦除后定位谱、各个旋转图像的上采样特征向量、原始定位谱和擦除后定位谱以及所有原始图像所对应的地面真值类别标签进行辅助总损失函数的分析，得到辅助总损失函数、所述图像训练集中各个原始图像的目标对象定位图以及各个旋转图像的目标对象定位图；

S56：根据所述图像训练集中所有原始图像的目标对象定位图、多个旋转图像的目标对象定位图以及所有原始图像所对应的地面真值类别标签进行定位谱分类总损失函数的分析，并根据损失函数分析后的结果、所述特征谱分类总损失函数、所述辅助总损失函数、所述旋转预测总损失函数以及所述对比总损失函数计算损失函数,并根据计算后的结果对所述伪标签生成网络进行参数更新，并根据参数更新后的结果对所述图像训练集中各个原始图像进行测试分析，得到所述图像训练集中各个原始图像的伪标签；

所述目标对象定位图包括多个目标对象定位图像素点，所述伪标签包括多个与所述目标对象定位图像素点对应的伪标签像素点；

所述第二网络更新模块具体用于：

构建协同定位网络；

根据所述图像训练集中各个原始图像的所有目标对象定位图像素点和所有伪标签像素点进行损失函数计算，并将计算后的结果进行求和运算，得到分割总损失函数；

根据所述对比总损失函数和所述分割总损失函数进行损失函数计算，得到协同定位网络损失函数；

根据所述协同定位网络损失函数对所述协同定位网络进行参数更新，得到目标协同定位网络。