1. 项目概述与核心挑战在系外行星探测这个充满未知与挑战的领域直接成像技术一直被视为“皇冠上的明珠”。想象一下你要从一座巨型探照灯恒星的炫目光芒中分辨出一只在几公里外飞舞的微弱萤火虫行星而且这只“萤火虫”的光亮可能只有“探照灯”的千万分之一甚至更弱。这就是天文学家们每天面对的现实极端的对比度。更棘手的是望远镜光学系统的不完美会产生一种叫做“准静态散斑”的噪声它们像顽固的污渍一样粘在图像上其亮度甚至可能超过行星信号而且形态多变难以预测。传统上我们依赖像PCA-KLIP基于主成分分析的Karhunen-Loève图像投影这样的算法来“清洗”图像。这类方法的核心思想是既然散斑噪声在短时间内相对稳定而行星会随着恒星一起在天空中旋转利用角差分成像技术那么通过分析多张不同角度拍摄的图像序列就能构建一个噪声模型并将其减去。这个方法很经典也立下了汗马功劳但它有两个“硬伤”一是计算量大处理海量数据时效率堪忧二是它本质上是一种基于线性代数的“盲”处理对于复杂、非线性的噪声模式其建模能力有限。近年来卷积神经网络CNN的引入带来了一股新风。它能直接从图像中学习特征实现端到端的检测速度很快。但CNN有个天生的短板它的“视野”是局部的。一个卷积核只能看到图像的一小块区域通过堆叠多层才能逐渐扩大感受野。这对于识别一张图片里的猫狗没问题但对于分析行星在几十甚至上百帧图像序列中那连贯、微弱的运动轨迹来说CNN很难建立起帧与帧之间的长程依赖关系。它更像是在独立分析每一帧然后投票而忽略了“运动”这个最关键的时序线索。这就引出了我们这次尝试的核心为什么不把CNN的“火眼金睛”和Transformer的“全局统筹”能力结合起来Transformer这个在自然语言处理领域掀起革命的架构其核心“自注意力机制”就像一个智能的会议主持人能让序列中的每一个元素在这里是每一帧图像的特征都与其他所有元素“对话”并判断谁的信息更重要。对于行星检测这意味着模型可以学会在某一帧中一个看似不起眼的亮点如果它在后续帧中沿着一条合理的轨迹移动那么它极有可能就是我们要找的行星反之一个很亮的点如果一直呆在原地那它大概率是讨厌的散斑噪声。这种基于时序连贯性的推理能力正是传统CNN所欠缺的也是本项工作的创新起点。2. 混合架构的深度设计解析2.1 整体架构蓝图CNN与Transformer的协同我们的模型设计遵循一个清晰的流水线思维先做特征提取再做时序推理最后进行决策输出。整个架构可以看作一个分工明确的流水线。第一阶段CNN特征提取器单帧侦察兵输入是一个图像序列比如10帧64x64像素的图片。我们不是把整个序列一股脑塞进模型而是先让CNN对每一帧进行独立处理。这里的CNN结构非常精简两层卷积层3x3卷积核ReLU激活每层后面跟一个2x2的最大池化层。为什么这么设计浅层网络我们的图像相对简单主要是噪声和点源复杂的深度网络如ResNet容易过拟合且计算量大。两层卷积足以捕捉到边缘、斑点等基础特征。小卷积核3x3是标准选择在减少参数量的同时能有效捕捉局部模式。最大池化逐步降低空间维度从64x64到最后聚焦于最显著的特征同时提供一定的平移不变性。经过这个轻量级CNN每一张64x64的图片被压缩成一个128维的特征向量。你可以把这个向量理解为这一帧图像的“精华摘要”它编码了本帧内所有重要的局部信息。第二阶段Transformer编码器时序总指挥现在我们得到了一个序列10个帧每个帧对应一个128维的特征向量。这个序列被送入Transformer编码器。我们使用了2个Transformer块每个块包含一个多头自注意力层8个头和一个前馈神经网络。自注意力机制如何工作对于序列中的每一个特征向量比如代表第5帧的向量自注意力层会计算它与序列中所有其他特征向量包括它自己的“关联度”。这个关联度是通过查询Query、键Key、值Value的矩阵运算得出的。简单来说模型会学习提问“对于理解第5帧的内容第1、2、3...10帧的信息有多重要”如果行星从第1帧移动到第10帧那么这10帧的特征向量之间就会通过自注意力机制建立起强烈的关联权重从而凸显出这个运动模式。多头的作用8个注意力头就像8个不同的专家它们可以并行地关注序列中不同类型的依赖关系。有的头可能专注于短时移动有的头可能关注长时轨迹最后再将所有头的见解综合起来使得模型对时序模式的理解更加全面和鲁棒。Transformer的输出是一个融合了全局时序上下文信息的、新的特征序列。第三阶段双任务输出头决策官最后我们将Transformer输出的综合特征输入两个并行的全连接层输出头分别完成两个任务分类头使用Sigmoid激活函数输出一个0到1之间的概率值代表“该序列中存在运动行星”的置信度。定位头进行回归任务输出一个二维坐标 (x, y)预测行星在第一帧中的位置。选择预测第一帧的位置是为了提供一个固定的参考点。注意这里有一个重要的设计考量为什么不预测每一帧的位置对于行星检测我们首要目标是“有没有”其次是“在哪里开始出现的”。预测第一帧位置足以锁定目标后续轨迹可以通过运动模型或简单关联得出。同时这简化了回归任务让模型更专注于识别运动模式的存在性而不是复杂的轨迹跟踪这在训练初期更稳定。2.2 数据策略从仿真到半真实的渐进验证任何机器学习模型的成功都离不开高质量、有代表性的数据。我们的数据策略采用了从易到难、从仿真到半真实的渐进路线确保模型能力的扎实构建。2.2.1 纯合成数据集原理验证与基线建立这个数据集的目标是验证核心逻辑模型能否学会从噪声中识别出连贯的运动信号生成逻辑背景生成高斯随机噪声均值0标准差0.3模拟探测器本底噪声。干扰项在背景上随机添加一些静止的亮斑亮度0.1-0.3模拟顽固的准静态散斑。这些是“假目标”。真目标在50%的序列中加入一个移动的“行星”——一个3像素大小的亮斑峰值亮度0.5让它沿一个圆形轨道运动。信噪比SNR约为1.670.5/0.3这是一个相当微弱的信号。设计意图这是一个高度简化的沙盒环境。噪声是随机的、不相关的干扰项是静止的。如果模型连这个都学不会就更别提处理真实数据了。它帮助我们将问题聚焦在“运动模式识别”这一核心能力上。2.2.2 半合成真实数据集迈向实际应用的关键一步在模型通过纯合成数据测试后我们将其置于更真实的战场使用詹姆斯·韦伯空间望远镜JWST实际观测的TW Hya原行星盘图像作为背景。数据基础TW Hya是一个年轻的恒星拥有一个几乎正对着我们的、明亮的原行星盘。JWST的图像包含了最真实的复杂噪声结构、盘面的明暗特征以及仪器本身带来的相关噪声。行星注入我们向这些真实的图像序列中人工注入一个模拟的行星信号3像素高斯点并让其沿轨道运动。注入信号的亮度经过计算使其相对于所在轨道环带背景的通量标准差达到SNR5。同时我们还添加了泊松噪声来模拟光子计数统计。重大意义这一步是概念验证POC到实际应用的关键桥梁。它回答了“当背景不再是简单的随机噪声而是充满复杂结构、亮度不均、噪声相关的真实天文图像时模型还能工作吗” 在此数据集上的成功极大地增强了该架构处理真实观测数据的信心。2.3 训练与损失函数设计我们使用Adam优化器学习率设为1e-4。对于纯合成数据和半合成数据分别训练了50和100个周期。这里的关键是损失函数的设计。我们采用了一个加权组合损失函数总损失 分类损失 λ * 定位损失。分类损失使用二元交叉熵Binary Cross-Entropy这是二分类任务的标准选择衡量预测概率与真实标签有行星/无行星的差距。定位损失使用均方误差MSE或平均绝对误差MAE来计算预测坐标与真实坐标的欧氏距离。在本文中更倾向于使用欧氏距离作为直接的位置误差度量。权重λ我们设置为0.1即10:1的权重偏向分类。这个设置至关重要。在检测任务中正确判断“有没有”比精确到亚像素的“在哪里”优先级更高。初期如果给定位损失过高的权重模型可能会因为难以精确回归位置而分散注意力反而影响了对运动模式本身的学习。我们的策略是先让模型学会可靠地检测再逐步细化定位精度。3. 实操复现从零搭建与训练模型3.1 环境配置与依赖安装要复现这个工作你需要一个配置了GPU的Python环境。以下是核心的依赖库# 创建并激活虚拟环境推荐 conda create -n exoplanet-detection python3.9 conda activate exoplanet-detection # 安装核心依赖 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 根据你的CUDA版本调整 pip install numpy pandas matplotlib scikit-learn jupyter pip install astropy # 用于处理天文数据如果使用真实FITS文件 pip install scikit-image # 用于图像处理实操心得PyTorch的版本与CUDA驱动匹配是关键。使用nvidia-smi查看你的CUDA版本然后去PyTorch官网选择对应的安装命令。如果只有CPU可以安装CPU版本的PyTorch但训练速度会慢很多。3.2 数据生成模块代码详解纯合成数据集的生成是理解整个项目的基础。下面是一个核心函数示例import numpy as np import matplotlib.pyplot as plt def generate_synthetic_sequence(sequence_length10, image_size64, noise_level0.3, has_planetFalse): 生成一个合成图像序列。 参数 sequence_length: 序列帧数 image_size: 图像尺寸正方形 noise_level: 高斯噪声的标准差 has_planet: 是否包含移动行星 返回 sequence: 形状为 (sequence_length, image_size, image_size) 的numpy数组 planet_pos: 如果has_planet为True返回第一帧的行星位置(x, y)否则返回None sequence [] # 生成公共的静态噪声背景和静态干扰斑 static_noise np.random.normal(0, noise_level, (image_size, image_size)) # 添加几个随机位置的静态亮斑作为干扰 num_distractors np.random.randint(3, 8) for _ in range(num_distractors): x, y np.random.randint(10, image_size-10, size2) brightness np.random.uniform(0.1, 0.3) static_noise[y-1:y2, x-1:x2] brightness # 3x3亮斑 planet_pos None if has_planet: # 随机生成圆形轨道的参数圆心、半径、起始角 center_x, center_y image_size // 2, image_size // 2 orbit_radius np.random.uniform(15, 25) start_angle np.random.uniform(0, 2*np.pi) for i in range(sequence_length): frame static_noise.copy() # 每帧共享相同的静态背景和干扰 if has_planet: # 计算当前帧行星在轨道上的位置 angle start_angle (i / sequence_length) * 2 * np.pi # 绕一圈 planet_x int(center_x orbit_radius * np.cos(angle)) planet_y int(center_y orbit_radius * np.sin(angle)) # 在第一帧记录位置 if i 0: planet_pos (planet_x, planet_y) # 在行星位置添加一个3x3的亮斑模拟点扩散函数PSF frame[planet_y-1:planet_y2, planet_x-1:planet_x2] 0.5 # 行星信号 # 添加每帧独立的高斯噪声模拟读出噪声等 frame np.random.normal(0, noise_level*0.1, (image_size, image_size)) sequence.append(frame) return np.array(sequence), planet_pos # 生成示例 seq_with_planet, pos generate_synthetic_sequence(has_planetTrue) seq_without_planet, _ generate_synthetic_sequence(has_planetFalse) print(f生成序列形状: {seq_with_planet.shape}) # (10, 64, 64) print(f行星起始位置: {pos})3.3 模型构建PyTorch实现以下是混合架构的PyTorch实现核心代码import torch import torch.nn as nn import torch.nn.functional as F class CNNFeatureExtractor(nn.Module): 轻量级CNN特征提取器独立处理每一帧 def __init__(self, input_channels1, feature_dim128): super().__init__() self.conv1 nn.Conv2d(input_channels, 32, kernel_size3, padding1) self.pool1 nn.MaxPool2d(2) self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) self.pool2 nn.MaxPool2d(2) # 经过两次池化64x64 - 32x32 - 16x16 self.fc nn.Linear(64 * 16 * 16, feature_dim) def forward(self, x): # x shape: (batch_size, seq_len, channels, height, width) batch_size, seq_len, C, H, W x.shape # 将序列维度合并到批次维度以便并行处理所有帧 x x.view(batch_size * seq_len, C, H, W) x F.relu(self.conv1(x)) x self.pool1(x) x F.relu(self.conv2(x)) x self.pool2(x) x x.view(x.size(0), -1) # 展平 x F.relu(self.fc(x)) # 恢复序列维度 x x.view(batch_size, seq_len, -1) return x class PlanetDetector(nn.Module): CNN-Transformer混合模型 def __init__(self, seq_len10, feature_dim128, num_heads8, num_layers2): super().__init__() self.cnn CNNFeatureExtractor(feature_dimfeature_dim) # Transformer编码器层 encoder_layer nn.TransformerEncoderLayer( d_modelfeature_dim, nheadnum_heads, dim_feedforward512, batch_firstTrue # 输入输出为(batch, seq, feature) ) self.transformer_encoder nn.TransformerEncoder(encoder_layer, num_layersnum_layers) # 分类头判断是否有行星 self.classifier nn.Sequential( nn.Linear(feature_dim, 64), nn.ReLU(), nn.Dropout(0.3), nn.Linear(64, 1), nn.Sigmoid() ) # 定位头预测第一帧的行星位置 (x, y) self.regressor nn.Sequential( nn.Linear(feature_dim, 64), nn.ReLU(), nn.Dropout(0.3), nn.Linear(64, 2) # 输出x, y坐标 ) def forward(self, x): # x shape: (batch_size, seq_len, 1, H, W) # 1. CNN提取特征 features self.cnn(x) # (batch_size, seq_len, feature_dim) # 2. Transformer编码捕捉时序依赖 # 添加位置编码这里使用可学习的位置编码 seq_len features.size(1) if not hasattr(self, pos_encoding): self.pos_encoding nn.Parameter(torch.zeros(1, seq_len, features.size(-1))) features features self.pos_encoding encoded self.transformer_encoder(features) # (batch_size, seq_len, feature_dim) # 3. 使用序列的全局表示这里取最后一层Transformer输出的第一帧特征或使用[CLS] token思路 # 我们取所有帧特征的平均作为全局上下文用于分类和定位 global_context encoded.mean(dim1) # (batch_size, feature_dim) # 4. 双任务输出 classification self.classifier(global_context).squeeze(-1) # (batch_size,) position self.regressor(global_context) # (batch_size, 2) return classification, position # 实例化模型 device torch.device(cuda if torch.cuda.is_available() else cpu) model PlanetDetector().to(device) print(f模型参数量: {sum(p.numel() for p in model.parameters()):,})3.4 训练循环与评估训练过程需要精心设计数据加载、损失计算和评估指标。def train_epoch(model, dataloader, optimizer, criterion_cls, criterion_reg, lambda_reg0.1, devicecuda): model.train() total_loss 0 correct 0 total 0 position_errors [] for batch_idx, (sequences, labels, positions) in enumerate(dataloader): sequences, labels, positions sequences.to(device), labels.to(device), positions.to(device) optimizer.zero_grad() pred_prob, pred_pos model(sequences) # 计算损失 loss_cls criterion_cls(pred_prob, labels.float()) # 注意只对有行星的样本计算定位损失 mask labels.bool() # 有行星的样本掩码 if mask.any(): loss_reg criterion_reg(pred_pos[mask], positions[mask]) else: loss_reg torch.tensor(0.0, devicedevice) loss loss_cls lambda_reg * loss_reg loss.backward() optimizer.step() total_loss loss.item() # 计算分类准确率 pred_labels (pred_prob 0.5).float() correct (pred_labels labels).sum().item() total labels.size(0) # 计算定位误差仅对有行星的样本 if mask.any(): pos_error torch.sqrt(((pred_pos[mask] - positions[mask])**2).sum(dim1)).mean().item() position_errors.append(pos_error) avg_loss total_loss / len(dataloader) accuracy 100. * correct / total avg_pos_error np.mean(position_errors) if position_errors else 0 return avg_loss, accuracy, avg_pos_error # 评估函数 def evaluate(model, dataloader, criterion_cls, criterion_reg, lambda_reg0.1, devicecuda): model.eval() total_loss 0 all_preds [] all_labels [] all_pos_preds [] all_pos_true [] with torch.no_grad(): for sequences, labels, positions in dataloader: sequences, labels, positions sequences.to(device), labels.to(device), positions.to(device) pred_prob, pred_pos model(sequences) loss_cls criterion_cls(pred_prob, labels.float()) mask labels.bool() if mask.any(): loss_reg criterion_reg(pred_pos[mask], positions[mask]) else: loss_reg torch.tensor(0.0, devicedevice) loss loss_cls lambda_reg * loss_reg total_loss loss.item() all_preds.extend(pred_prob.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) if mask.any(): all_pos_preds.extend(pred_pos[mask].cpu().numpy()) all_pos_true.extend(positions[mask].cpu().numpy()) # 计算F1分数等指标 from sklearn.metrics import f1_score, precision_score, recall_score pred_labels (np.array(all_preds) 0.5).astype(int) f1 f1_score(all_labels, pred_labels) precision precision_score(all_labels, pred_labels) recall recall_score(all_labels, pred_labels) accuracy 100. * (np.array(all_labels) pred_labels).mean() avg_pos_error np.sqrt(((np.array(all_pos_preds) - np.array(all_pos_true))**2).sum(axis1)).mean() if all_pos_preds else 0 return total_loss/len(dataloader), accuracy, f1, precision, recall, avg_pos_error4. 结果分析与性能对比4.1 合成数据上的表现接近完美的基线在纯合成数据集上模型的训练曲线损失和准确率迅速收敛最终在训练集和验证集上都达到了接近100%的准确率。这证明了混合架构在解决这个简化问题上的强大能力。下表展示了我们的模型与两种传统方法优化中值减法、PCA-KLIP的详细对比方法F1分数准确率精确率召回率位置误差像素CNN-Transformer (本文)100.00%100.00%100.00%100.00%0.72优化中值减法89.39%89.60%91.25%87.60%1.75PCA-KLIP52.17%70.67%100.00%35.29%1.45结果解读CNN-Transformer的全面优势我们的模型在所有分类指标上均达到100%定位误差也低于1个像素。这表明模型不仅完美区分了有无行星的序列还能精确定位。PCA-KLIP的局限性凸显PCA-KLIP的精确率为100%意味着它没有误报假阳性但召回率极低35.29%漏掉了大量真实行星。这是因为PCA-KLIP依赖于足够多的帧来构建准确的噪声主成分在本文仅10帧的短序列中其建模能力受限。这恰恰说明了传统方法对数据量的要求以及在小样本或短序列场景下的不足。优化中值减法的中庸表现该方法表现尚可但其性能严重依赖于手动设置的阈值且对于亮度与噪声接近的行星容易漏检或误检。实操心得理解“过拟合”与“泛化”在如此简单的合成数据上达到100%准确率新手可能会担心过拟合。但在这个阶段我们的目标不是追求泛化到未知分布而是验证架构能否学会“运动模式”这个核心概念。只要验证集性能同样优秀就说明模型确实学到了规律而非记住噪声。这是构建复杂模型的第一步在一个可控的简单环境中证明其原理可行性。4.2 半合成真实数据验证从沙盒走向战场在TW Hya半合成数据集上的成功是本项目价值的关键证明。训练曲线再次显示模型能快速学习并达到高准确率。模型成功地从充满复杂盘状结构、相关噪声的真实JWST图像中识别出了注入的模拟行星信号且定位误差在几个像素以内。这说明了什么特征提取的有效性CNN部分成功地从复杂的真实天文图像中提取出了与“运动点源”相关的特征过滤掉了大部分静态的盘结构和噪声。时序建模的鲁棒性Transformer部分能够利用这些特征在时间维度上建立起正确的关联即使背景极其复杂也能捕捉到那一点连贯的运动信号。架构的潜力CNN-Transformer混合架构具备处理真实高对比度成像数据的潜力其自动化、端到端的特性对于处理JWST、未来极大望远镜ELT等产生的海量数据具有巨大吸引力。4.3 当前模型的局限性与边界尽管结果鼓舞人心但我们必须清醒地认识到当前工作的局限性这也是未来改进的方向数据简化我们使用了圆形轨道和高信噪比SNR5的行星。真实行星轨道可能是椭圆的信号可能微弱得多SNR3。模型在更极端条件下的表现有待测试。泛化能力模型在TW Hya数据上表现好部分是因为我们使用了该系统的真实数据作为背景进行重新训练。一个“开箱即用”、能处理任何望远镜、任何恒星系统数据的通用模型尚未实现。这需要构建一个超大规模、多样化的训练数据集。计算成本Transformer的自注意力机制计算复杂度与序列长度的平方成正比。对于长达数百帧的观测序列需要优化如使用稀疏注意力、局部注意力或下采样策略。物理信息缺失当前模型是一个纯粹的数据驱动模型没有融入任何天体物理的先验知识如开普勒轨道定律、行星亮度模型。融入这些知识可能提升其在低信噪比下的鲁棒性和可解释性。5. 常见问题、调试技巧与扩展方向5.1 训练过程中的典型问题与解决方案问题损失震荡不收敛或分类准确率始终在50%左右随机猜测。检查数据首先确认数据加载和标签是否正确。可视化一些训练样本确保“有行星”的序列中确实存在移动点。检查数据增强如果有是否过于激进破坏了运动连续性。检查损失权重如果定位损失权重λ设置过高在训练早期会干扰分类任务的学习。尝试从较小的λ如0.01或0.1开始甚至先只用分类损失训练几个周期再引入定位损失。学习率1e-4是一个常用的起点但如果损失震荡可以尝试减小到5e-5或使用学习率预热Learning Rate Warmup策略。梯度爆炸/消失监控梯度范数。Transformer中常用的技巧是使用梯度裁剪torch.nn.utils.clip_grad_norm_。问题模型在验证集上过拟合训练损失下降验证损失上升。增加正则化在CNN和全连接层后增加Dropout如0.3-0.5。在Transformer中也可以使用注意力Dropout和层Dropout。数据增强对图像序列进行合理的增强如小幅度的随机旋转、平移、添加不同水平的高斯噪声。关键必须确保增强操作应用于整个序列且不破坏行星运动的连续性例如不能对每一帧做不同的随机裁剪。简化模型如果数据量有限尝试减少Transformer的层数或注意力头的数量降低CNN的通道数。问题定位误差始终很大。坐标归一化确保输入模型的坐标位置标签已经归一化到[0, 1]或[-1, 1]区间与图像尺寸匹配。使用Sigmoid或Tanh激活函数约束输出范围。损失函数选择尝试平滑L1损失Smooth L1 Loss它对异常值不如MSE敏感。特征融合考虑是否仅用全局上下文进行定位不够精细。可以尝试将Transformer编码后的每一帧的特征都用于一个更复杂的定位头例如一个小的CNN或者引入“空间注意力”机制让模型在特征图上直接聚焦可能包含行星的区域。5.2 模型部署与推理优化训练好的模型最终要用于处理真实的观测数据流水线。模型量化与加速使用PyTorch的量化工具如torch.quantization将FP32模型转换为INT8可以显著减少模型大小并提升推理速度对部署到边缘设备或处理大规模数据至关重要。序列批处理真实观测数据的一个“目标”可能对应上百帧。可以将其切割成有重叠的、固定长度如10帧的滑动窗口分别输入模型然后综合所有窗口的预测结果。置信度校准模型输出的概率需要校准以反映真实的检测置信度。可以在一个独立的验证集上使用Platt缩放或等渗回归进行校准这对于后续结合其他检测方法或人工审查至关重要。5.3 未来有潜力的扩展方向多尺度与金字塔特征在CNN部分引入特征金字塔网络FPN让模型同时利用低层的高分辨率信息精确定位和高层的语义信息判断是否为行星。物理引导的注意力将轨道运动的先验知识融入注意力机制。例如可以计算一个“轨道先验矩阵”指导Transformer在计算注意力权重时更关注符合开普勒运动规律的帧间关系。从“检测”到“表征”扩展模型不仅检测行星还能同时回归其物理参数如相对亮度、估计的质量通过亮度-质量关系等实现端到端的行星初步表征。无监督与自监督预训练利用海量的未标注高对比度成像数据通过设计 pretext task如下一帧预测、序列排序等进行自监督预训练学习通用的时空表示再在下游的少量标注数据上进行微调有望解决标注数据稀缺的问题。这个CNN-Transformer混合架构为系外行星直接成像的数据处理打开了一扇新的大门。它不再仅仅是对单张图像做“减法”而是让算法学会像天文学家一样凝视一段动态的影像从中捕捉那一点违反静态背景的、微弱的律动。虽然前路仍有诸多挑战但这项初步研究已经证明结合了局部感知与全局推理的深度学习模型有能力从噪声的海洋中钓起我们梦寐以求的新世界。
