Esta investigación se centra en la detección de objetos astronómicos débiles que se caracterizan por una pequeña proporción de píxeles, un bajo contraste con el fondo y escasa información interna. Propone una red HADN-Net que se centra en la atención jerárquica intensiva. En primer lugar, se presenta el módulo de atención multi-rama Ghost- Mul-GDAM, que utiliza una estrategia de extracción de características de múltiples regiones para reforzar la capacidad de modelado de información contextual del área local del objetivo. Luego se presenta el módulo de agregación jerárquica de características HiFAM, que utiliza un intercambio de información entre las dimensiones espacio-canal para fusionar de manera adaptativa mapas de características a múltiples escalas. HADN-Net mejora significativamente la capacidad de detección de objetos débiles. En experimentos con imágenes ópticas reales de la superficie terrestre, HADN-Net logra una tasa de recuperación del 94.648%, una precisión de detección del 95.518% y una puntuación F1 del 95.081%, todas alcanzando un rendimiento SOTA, superando a cinco métodos avanzados existentes. Especialmente en términos de tasa de recuperación, el rendimiento de los métodos de vanguardia se mejora en un 2.855%, lo que confirma la eficacia de HADN-Net en la detección de objetos astronómicos débiles. Este método ofrece una nueva solución para la detección de objetos astronómicos débiles en imágenes astronómicas y tiene importancia práctica para la exploración espacial profunda y el desarrollo de recursos espaciales.

Visión por computadora;imágenes ópticas astronómicas terrestres;objetos astronómicos débiles;detección de objetos;redes neuronales