基于特征图谱知识蒸馏的改进YOLOX模型在弱星系目标检测中的应用研究

针对SDSS低分辨率图像中弱星系信号检测难题，研究团队创新性地提出基于DECaLS高分辨率图像特征蒸馏的YOLOX改进模型。通过设计特征图谱蒸馏模块和坐标空间注意力机制，结合滑动窗口数据增强策略，显著提升弱星系目标的检测精度，为天文大尺度巡天数据中的暗弱天体识别提供新范式。

　　

在浩瀚宇宙中，星系如同散落的明珠，其形成演化过程隐藏着宇宙结构的终极奥秘。然而天文观测面临两大困境：斯隆数字巡天(SDSS)虽覆盖广但图像分辨率低，暗能量相机遗产巡天(DECaLS)虽清晰度高却数据量有限。更棘手的是，星系目标常淹没在强噪声背景中，传统检测方法对弱信号(SNR<3)的识别准确率不足40%。这种"看得见但看不清"的现状严重制约了暗物质分布、星系演化等重大课题的研究进展。

针对这一瓶颈问题，中国科学院研究团队在《Expert Systems with Applications》发表创新成果。他们巧妙运用知识蒸馏(Knowledge Distillation)技术，构建了DECaLS高分辨率图像与SDSS低分辨率图像间的特征传递桥梁。研究采用双阶段训练策略：先以DECaLS数据预训练星系形态分类模型作为教师网络，再通过特征图谱蒸馏模块将知识迁移至SDSS数据训练的YOLOX检测模型学生网络。为强化弱目标定位能力，创新性设计坐标空间注意力模块(Coordinate Spatial Attention)，配合滑动窗口切片策略，使星系信噪比提升2.3倍。

关键技术方法包括：1)基于DECaLS-SDSS配对图像的特征图谱蒸馏框架；2)融合通道-空间双维度的坐标注意力机制；3)512×512像素滑动窗口的图像预处理流程；4)采用Focal Loss解决类别不平衡问题。实验使用DECaLS DR9和SDSS DR16数据集，包含约12万标注星系样本。

Object detection
研究对比了Faster R-CNN、RetinaNet等主流算法，证明改进YOLOX在mAP指标上提升15.6%，特别对角直径<10角秒的弱星系召回率提高28%。

Data and Preprocessing
通过滑动窗口将SDSS大图切割为小图，剔除无目标背景，使有效样本量增加4倍，星系目标占比从0.7%提升至22%。

Methodology
特征蒸馏模块采用KL散度度量教师-学生网络特征差异，坐标注意力模块通过位置编码捕获星系的空间分布特征，二者协同使小目标检测F1-score达0.83。

Experimental Results
在SDSS测试集上达到92.4%的检测准确率，成功识别出DECaLS标注而SDSS漏标的1,247个星系，修正SDSS错误标注683例。消融实验显示坐标注意力模块贡献12.7%的mAP提升。

Conclusions
该研究开创性地将知识蒸馏引入天文图像分析领域，突破性地解决跨分辨率数据间的知识迁移难题。实际价值体现在三方面：1)为SDSS海量数据挖掘提供新工具；2)开发的坐标注意力模块可泛化至其他小目标检测场景；3)构建的DECaLS-SDSS联合训练框架为多源天文数据融合树立范例。研究团队特别指出，该方法检测到的未标注星系中，有17个被后续光谱观测证实为特殊活动星系核(AGN)，彰显其在科学发现中的直接应用价值。