Cette recherche se concentre sur la détection d'objets astronomiques faibles caractérisés par une faible proportion de pixels, un faible contraste avec l'arrière-plan et un manque d'informations internes. Elle propose le réseau HADN-Net, qui se concentre sur l'attention hiérarchique intensive. Tout d'abord, l'unité d'attention multi-branche Ghost- Mul-GDAM est présentée, qui utilise une stratégie d'extraction de caractéristiques multi-foyers pour renforcer la capacité de modélisation de l'information contextuelle de la zone locale de la cible. Ensuite, l'unité d'agrégation hiérarchique des caractéristiques HiFAM est présentée, utilisant un échange d'informations entre les dimensions spatiales-canal pour fusionner de manière adaptative les cartes de caractéristiques multi-échelles. HADN-Net améliore considérablement la capacité de détection des objets faibles. Dans les expériences sur des images optiques réelles de la surface terrestre, HADN-Net atteint un taux de rappel de 94,648%, une précision de détection de 95,518% et un score F1 de 95,081%, tous atteignant des performances SOTA, supérieures à cinq méthodes avancées existantes. En particulier en termes de rappel, les performances des méthodes de pointe sont améliorées de 2,855%, ce qui confirme l'efficacité de HADN-Net dans la détection d'objets astronomiques faibles. Cette méthode offre une nouvelle solution pour la détection d'objets astronomiques faibles dans les images astronomiques, et revêt une importance pratique pour l'exploration spatiale profonde et le développement des ressources spatiales.

Vision par ordinateur;images astronomiques optiques au sol;objets astronomiques faibles;détection d'objets;réseaux neuronaux