CAFDA-YOLO：一种用于蓝离散星（blue straggler stars）的跨轴融合双注意力目标检测模型

《Publications of the Astronomical Society of Japan》：CAFDA-YOLO: A cross-axis fusion dual-attention object-detection model for blue straggler stars

蓝巨星星自动检测模型CAFDA-YOLO结合CNN与Transformer架构，提出跨轴融合整合理模块，显著提升空间上下文建模能力。在自建的两个BSS数据集（基于3473张灰度图阈值分割）上，模型mAP@50达90.80%，较基线提升10.69%。该研究为恒星系统演化研究提供自动检测框架。

　　

摘要

蓝离群星（Blue Straggler Stars, BSS）相对于主序带拐点恒星具有异常的光度和温度，对于深入理解恒星系统的动力学和演化过程仍然至关重要。然而，传统的手动或半自动识别BSS的方法仍然受到主观阈值限制，并且在大规模天体巡天项目中效率低下。此外，专门为对象检测设计的公开可用的BSS数据集明显不足。为了解决上述问题，我们构建了两个带有标签的BSS数据集（由陈阳（Chenyang Lv）和史宇豪（Yuhao Shi）完成），这些数据集基于3473张原始图像，并通过灰度阈值进行分割。同时，我们提出了CAFDA-YOLO这一对象检测模型，该模型结合了卷积神经网络和Transformer架构。这一新框架引入了跨轴融合积分模块，通过组卷积、对角注意力机制和双注意力机制来融合多方向特征，从而提高了空间上下文建模的能力。实验结果表明，CAFDA-YOLO在所有数据集中始终保持着最高的mAP值。特别是在低灰度阈值数据集中，其mAP@50达到了90.80%，mAP@75比基线模型高出10.69%。多项实验表明，CAFDA-YOLO具有出色的性能和鲁棒性。这项工作为BSS的自动检测提供了一个框架，并为未来关于恒星相互作用和恒星演化的研究提供了可能性。