Diese Forschung konzentriert sich auf die Erkennung von schwachen astronomischen Objekten, die durch einen geringen Pixelanteil, einen geringen Kontrast zum Hintergrund und einen Mangel an internen Informationen gekennzeichnet sind. Es wird ein HADN-Net vorgeschlagen, das sich auf intensive hierarchische Aufmerksamkeit konzentriert. Zunächst wird das Multi-Branch-Ghost-Mul-GDAM-Aufmerksamkeitsmodul vorgestellt, das eine Strategie zur Extraktion von Merkmalen aus mehreren Bereichen verwendet, um die Modellierungsfähigkeit von Kontextinformationen des lokalen Bereichs des Ziels zu stärken. Dann wird das hierarchische Merkmalsaggregationsmodul HiFAM vorgestellt, das einen Informationsaustausch zwischen Raum-Kanal-Dimensionen verwendet, um adaptiv Merkmalskarten mit verschiedenen Skalen zu fusionieren. HADN-Net verbessert die Fähigkeit zur Erkennung schwacher Objekte erheblich. In Experimenten mit realen optischen Bildern der Erdoberfläche erreicht HADN-Net eine Recall-Rate von 94,648%, eine Erkennungsgenauigkeit von 95,518% und eine F1-Punktzahl von 95,081%, die alle eine SOTA-Leistung erreichen und fünf bestehende fortschrittliche Methoden übertreffen. Insbesondere in Bezug auf die Recall-Rate verbessert sich die Leistung der führenden Methoden um 2,855%, was die Wirksamkeit von HADN-Net bei der Erkennung schwacher astronomischer Objekte bestätigt. Diese Methode bietet eine neue Lösung für die Erkennung schwacher astronomischer Objekte in astronomischen Bildern und hat praktische Bedeutung für die Erforschung des Weltraums und die Entwicklung von Weltraumressourcen.

Computer Vision;optische astronomische Bilder der Erdoberfläche;schwache astronomische Objekte;Objekterkennung;neuronale Netzwerke