近日，智能光学成像实验室贾鹏博士带领的团队通过合作研究，建立了一种扩展目标和点源目标的多色测光巡天项目目标检测框架。
近年来，在AI4Science理念的驱动下，各种基于人工智能技术的天文数据处理和分析方法被纷纷提了出来，利用AI从观测图像中自动检测天体是一种非常有潜力的技术。通过现有的多色测光巡天项目，我们可以获取到多种波段的天体图像，包含有丰富的颜色信息和灰度信息。不同颜色的图像可以揭示天体的不同组成部分。 我们将能够通过这些图像研究天体的细节，甚至发现许多新的天体。
因此，团队创新地提出使用经过整合的多波段数据来进行天体的检测与分割任务；同时，采用可解释的深度学习技术实现科学理论驱动的检测框架。在A Deep Learning Based Astronomical Target Detection Framework for Multi-Colour Photometry Sky Survey Projects 一文中，团队展示了利用Swin Transformer以及基于CNN的神经网络实现的数据处理流水线，包括：标签制作、数据训练、多步检测法等。
Swin Transformer是在Vision Transformer做出了相应改进的新型网络，它提出了层级网络结构和滑动窗口设计，极大地提高了检测效率。研究团队提出了根据输入通道数自适应的网络结构，利用Swin Transformer，直接从多通道数据中提取特征，实现对扩展目标的检测和分割任务。对于点源目标，团队使用Faster R-CNN 网络进行目标检测任务。经过与真实星表对比，结果表明，我们的框架可以为所有目标实现超过 80% 的precision rate和超过 85% 的recall rate。
将来，我们将使用神经网络架构搜索方法为不同的神经网络获得更好的结构，并将光度学和天体测量算法集成到我们的框架中。 由于我们的框架可以处理具有任意数量颜色的图像，因此我们不仅可以使用我们的框架来处理通过光学望远镜（例如 AST3、Sitian 和 CSST）获得的数据，还可以使用射电望远镜（例如 SKA）获得的数据， SKA可以获取多达百个通道的数据。
研究代码通过中国虚拟天文台PaperData平台发布（doi：10.12149/101190），相关云服务资源由智能光学成像实验室部署。
论文内容解读由太原理工大学郑亦天同学完成，郑亦天同学2020年本科毕业于沈阳农业大学大学，20年加入太原理工大学智能光学成像实验室开展机器学习及人工智能方面的研究，目前参与小组内扩展目标检测和应用方面的研究。
智能光学成像实验室由贾鹏博士建立，面向国家基础科学装置和战略需求，开展光电系统数字孪生及智能信号处理研究，研究成果服务我国空间站巡天望远镜、欧洲极大光学望远镜、大光学红外望远镜、平方公里阵列、爱因斯坦探针、司天计划等国内外大科学装置。近年来，在国家自然科学基金、载人航天工程和平方公里阵专项项目支持下，融合天文仪器数字孪生和智能数据处理技术开展天文目标信息自动提取和未知天文目标发现研究，助力我国科学实现从0到1的突破。
解读视频链接：