近日，榆林大学信息工程学院2024级计算机技术专业硕士研究生陈治霖以第一作者身份完成的学术论文《PGWS: A Prototype-Guided Weakly Supervised Framework for White Cashmere Goat Detection Under Extremely Sparse Annotations》，被多媒体与人工智能领域国际顶级学术期刊IEEE Transactions on Multimedia（IEEE TMM）正式接收。该刊为SCIE收录的中科院一区Top期刊，最新影响因子为9.9。该论文在我院刘汉烨教授、亢宇鑫博士共同指导下完成。这也是信息工程学院首篇由学生以第一作者身份完成并被接收的中科院一区SCI论文，实现了学院在该级别高水平学术成果上“零的突破”。

白绒山羊目标检测是智慧畜牧视觉感知的重要环节，可为个体计数、姿态识别、行为分析和健康监测等智能化应用提供关键基础信息。然而在实际养殖场景中，监控图像常常存在目标密集、相互遮挡、姿态变化明显以及夜间低照度等复杂情况，完整标注每一个目标需要投入高昂的人力和时间成本。当训练数据处于“每张图像每个类别仅保留1个标注框”的极端稀疏标注条件时，图中其余大量未标注的真实目标因缺少前景监督，极易在模型训练中被当作背景处理，进而严重制约检测效果。

针对上述行业与学术痛点，论文创新性地提出了原型引导的弱监督目标检测框架PGWS。该方法利用少量可靠标注构建类别级多原型表示，再由教师检测器生成候选目标，通过原型余弦相似度精准判断候选框与已标注目标之间的语义一致性，并结合分类别非极大值抑制（NMS）去重和真实标注优先合并策略，离线生成质量更可靠的补全标签，用于后续检测器训练。该方法仅在训练标签层面补充缺失监督，不改变最终检测器的推理结构、不增加任何额外推理参数与计算开销，为极端稀疏标注条件下的目标检测提供了一种低成本、高效率的实现路径。

原型引导的弱监督目标检测框架（PGWS）

课题攻关过程中，围绕昼夜复杂光照与密集遮挡等真实养殖场景，系统开展文献调研、方法设计、程序实现、实验分析和论文撰写，在导师刘汉烨教授和亢宇鑫博士的悉心指导下不断打磨研究方案与实验验证。研究结果表明，在每张训练图像每类仅保留1个标注框的极端稀疏条件下，PGWS能够显著提升复杂场景下白绒山羊站立与卧姿目标的检测精度与召回率，有效找回密集遮挡与低照度下易漏检的目标；同时，在公开农业番茄数据集以及YOLOv5n、YOLOv8n、YOLO11n和RT-DETR-l等多种主流CNN与Transformer架构检测器上的补充实验，也进一步验证了该方法良好的跨场景泛化能力与工程适用性。

此次高水平论文的成功接收，是陈治霖同学在导师团队指导下潜心开展科研实践取得的标志性阶段成果。该研究工作得到了国家自然科学基金、陕西省重点研发计划、陕西省科协青年人才托举计划、榆林市科技局项目及榆林大学高层次人才项目等课题的资助支持，同时，研究得到陕西省陕北绒山羊工程技术研究中心的数据支持，谨向中心朱海鲸博士及中心团队致以诚挚谢意。这充分体现了信息工程学院在“人工智能+现代畜牧业”学科交叉研究、真实应用问题凝练和研究生科研创新能力培养方面的持续探索。下一步，学院将继续依托高水平导师团队和科研平台，鼓励广大学子面向区域特色产业需求开展科研训练，不断提升创新实践能力和工程应用水平，为区域数字化、智能化高质量发展贡献力量。