Данные исследования сосредоточены на обнаружении слабых астрономических объектов, отличительной особенностью которых является небольшая доля пикселей, низкое контрастное соотношение с фоном и ограниченная внутренняя информация. Предлагается сеть HADN-Net, направленная на интенсивное иерархическое внимание. Сначала представлено многоуровневое внимание Ghost- Mul-GDAM, которое использует стратегию извлечения признаков с множественными регионами для усиления моделирования контекстной информации локальной области объекта. Затем представлена иерархическая модуль агрегации признаков HiFAM, использующая обмен информацией между пространствами-каналами для адаптивного слияния многомасштабных карт признаков. HADN-Net значительно улучшает возможности обнаружения слабых объектов. В экспериментах на реальных оптических изображениях земной поверхности HADN-Net достигает 94,648% полноты, 95,518% точности обнаружения и 95,081% F1-меры, превышая SOTA-производительность, лучше пяти существующих передовых методов. Особенно в отношении полноты, производительность улучшается на 2,.855%, что подтверждает эффективность HADN-Net в обнаружении слабых астрономических объектов. Этот метод предлагает новое решение для обнаружения слабых астрономических объектов на астрономических изображениях и имеет практическое значение для исследования глубокого космоса и разработки космических ресурсов.

Компьютерное зрение;оптические астрономические изображения земли;слабые астрономические объекты;обнаружение объектов;нейронные сети