利用深度学习识别多波段光度测量天文图像中的人工卫星轨迹

本研究针对地面天文观测中日益增长的人工卫星轨迹干扰问题，开发了一种高效的深度学习识别方法。随着低轨道卫星星座的不断增长，对卫星轨迹的准确检测变得至关重要，以保持天文数据质量。本文利用云南大学 Multi-channel Photometric Survey Telescope (Mephisto) 的多波段光度测量观测数据，构建了包含卫星轨迹的天文图像专用数据集。我们提出了一种新颖的ASA-U-Net模型，将空洞空间金字塔池化与通道注意力机制集成到U-Net架构中，以有效捕捉传统语义分割模型在下采样过程中常忽略的稀疏卫星轨迹特征。该模型在实际望远镜数据上实现并验证，显示在端到端卫星轨迹检测和标记方面优于传统方法。该方法在无需手动参数调整的情况下显著提高了数据处理精度，适用于处理大量夜间观测数据，并提升了天文数据产品的质量。