摘要
在不依赖差异图像的情况下进行瞬变源检测仍然面临挑战，尤其是在实际的空间天文观测条件下：数据量巨大、在轨传输带宽有限，且需要实时响应以进行快速后续观测。为了解决这些问题，本文提出了一种轻量级检测网络，该网络结合了多尺度特征融合与上下文特征提取，能够在资源受限的边缘设备上实现高效实时处理。所提出的模型增强了对不同观测条件下的点扩散函数变化以及复杂背景环境的鲁棒性，同时提高了检测精度。为了全面评估性能，采用了轻量级VGG、轻量级ResNet架构以及其他常用作瞬变源检测基线的模型进行对比。实验结果表明，在模型参数数量大致相同的情况下，所提出的网络实现了最佳精度，比表现最好的基线模型提高了近1%。基于这一设计，通过引入一个紧凑的多尺度模块，进一步开发出了一个仅有7k参数的超轻量级版本，其精度比没有多尺度结构的版本提高了1%。此外，通过异构知识蒸馏和自适应迭代训练，超轻量级模型的精度从93.3%提高到了94.0%。最后，该模型在AI硬件加速平台上进行了部署和验证。结果表明，所提出的方法在保持高精度的同时显著提高了推理吞吐量，为在大数据量和有限传输条件下的实时、低延迟、设备端瞬变源检测提供了实用的解决方案。具体来说，这些模型首先在高性能GPU上离线训练，然后部署在复旦微电子7100 AI板上，以评估其在资源受限的边缘设备上的实际推理效率。
