Para alvos astronômicos fracos, é proposto um tipo de rede em cascata altamente densa de atenção para detecção de alvos astronômicos fracos HADN-Net, tendo em vista as características de baixa proporção de pixels, baixo contraste com o fundo e escassez de informações internas. Primeiramente, é proposto o módulo de atenção dilatada Ghost-Mul-GDAM de vários ramos, que utiliza a estratégia de extração de características de múltiplos campos receptivos para reforçar a capacidade de modelagem de informações de contexto locais do alvo, combinando convolução Ghost de baixa complexidade com convolução de fator espacial, reduzindo a carga computacional e efetivamente suprimindo o ruído de fundo, enquanto fortalece a capacidade de representação de características de alvos fracos. Em seguida, é proposto o módulo de agregação de características hierárquicas HiFAM, que utiliza a interação de características em múltiplas escalas por meio de dimensões espaciais e de canais para realizar a fusão ponderada adaptativa de mapas de características, melhorando a qualidade da representação de informações de alvos fracos nos mapas de características agregadas. HADN-Net melhora significativamente a capacidade de detecção de alvos fracos, e em experimentos com imagens ópticas reais de base terrestre, HADN-Net alcançou uma taxa de recall de 94.648%, precisão de detecção de 95.518% e pontuação F1 de 95.081%, todas atingindo desempenho SOTA, superando 5 métodos avançados existentes, especialmente em termos de taxa de recall, com um aumento de desempenho de 2.855% em relação ao método inferior, confirmando a eficácia de HADN-Net na detecção de alvos astronômicos fracos. Este método fornece uma nova solução para a detecção de alvos astronômicos fracos em imagens astronômicas, o que é de grande importância prática para a exploração do espaço profundo e o desenvolvimento de recursos espaciais.

Visão computacional; imagens astronômicas ópticas de base terrestre; alvos astronômicos fracos; detecção de alvos; redes neurais