单望远镜下天文目标检测背景
由于传统天文目标检测方法SExtractor（SE）不能实现端到端的天文目标检测，将深度学习引入天文领域数据处理。基于通用目标检测框架——Faster RCNN下，最初在数据 (含星象和空间碎片) 和标签可操控性高的由天文工具 Sky maker生成模拟数据进行，对原始网络架构进行改进，模型拟合后，处理真实数据（南京紫金山天文台空间碎片望远镜数据和TDST-F数据）迁移学习，最后和传统方法（SE）依据每个星等范围下目标检测的查全率与查准率来比较探测能力来评价神经网络的探测能力。
NN Vs SE
以星等为横坐标，检验两种方法在不同下的查全率与查准率综合性能，如图所示，红线和黄线为sextractor的结果，绿线和黑线为NN的结果。
多望远镜天文目标协同检测
为了改善单望远镜下对天文目标的探测问题，在单望远镜对天文目标检测基础之上，拓展多望远镜下的天文目标协同探测。利用天文工具SkyMaker 准备 4 个不同参数下的望远镜的模拟数据，同时送入网络进行训练，依据 Adaboost 算法，对四个望远镜的探测结果进行综合，得到最终的探测结果。
前期结果
如图所示，蓝色为四个望远镜的综合探测性能，其他颜色分别为4个单望远镜的探测性能，综合结果相比单个望远镜有明显提升。