基于深度学习的暗弱天体目标检测

张 锌飞
聊城大学物理科学与信息工程学院

摘要


针对当前暗弱天体检测中由于目标亮度低、信号弱、噪声干扰严重等因素导致检测精度不足的问题，提出
了一种基于改进YOLOv11的暗弱天体目标检测算法FAS-YOLO。首先，在骨干网络中改进C3k2模块，将分流融合
后的特征信息引入SimAM注意力机制，以无参数化方式对空间与通道特征进行细粒度加权，提升模型对暗弱信号的
聚焦能力。其次，在检测头阶段引入Soft-NMS后处理策略，通过对高重叠候选框置信度的平滑衰减，有效缓解暗
弱天体密集分布场景下的误抑制问题，提升召回率与检测鲁棒性。实验结果表明，在天文图像数据集上，mAP50和
mAP50-95分别较原始YOLOv11提高了2.8%和9.0%。

关键词


深度学习；目标检测；YOLOv11；暗弱天体

全文:

PDF


参考


[1]李梦阳.天基复杂背景下空间暗弱小目标检测

方法研究[D].中国科学院大学（中国科学院长春光学

精密机械与物理研究所），2020.DOI：10.27522/d.cnki.

gkcgs.2020.000133.

[2]张丰.基于星敏感器的空间暗弱目标检测技术

研 究[D].长 春 工 业 大 学，2024.DOI：10.27805/d.cnki.

gccgy.2024.000913.

[3]Bertin E, Arnouts S. SExtractor: Software for source

extraction[J]. Astronomy and astrophysics supplement series,

1996, 117(2): 393-404.

[4]阮志锋，邬文弢.SExtractor及其在深度巡天研究

中 的 应 用[J].天 文 研 究 与 技 术，2016，13（02）：266-

272.DOI：10.14005/j.cnki.issn1672-7673.20150928.012.

[5]刘强.大视场小口径望远镜阵列实时天文目标探

测方法[D].太原理工大学，2021.DOI：10.27352/d.cnki.

gylgu.2021.001317.

[6]院守晋.面向天文图像的小尺度目标检测方法

研 究[D].太 原 科 技 大 学，2023.DOI：10.27721/d.cnki.

gyzjc.2023.000156.

[7]郭祥吉.基于深度学习的空间暗弱目标检测关键

技术研究[D].中国科学院大学（中国科学院长春光学

精密机械与物理研究所），2023.DOI：10.27522/d.cnki.

gkcgs.2023.000020.

[8]Jiang P, Ergu D, Liu F, et al. A Review of Yolo

algorithm developments[J]. Procedia computer science, 2022,

199: 1066-1073.

[9]Khanam R, Hussain M. Yolov11: An overview

of the key architectural enhancements[J]. arxiv preprint

arxiv:2410.17725, 2024.

[10]Bodla N, Singh B, Chellappa R, et al. Soft-NMS-

-improving object detection with one line of code[C]//

Proceedings of the IEEE international conference on

computer vision. 2017: 5561-5569.

[11]Yang L, Zhang R Y, Li L, et al. Simam: A simple,

parameter-free attention module for convolutional neural

networks[C]//International conference on machine learning.

PMLR, 2021: 11863-11874.


Refbacks

  • 当前没有refback。