一种基于多源数据实现高红移类星体探测的分类网络

本发明公开了一种基于多源数据实现高红移类星体探测的分类网络，使用了多个模块，包括特征提取网络和多源数据融合模块，图像特征提取网络包括深度可分离卷积、通道注意力和空间注意力机制。在局部特征提取时引入了残差连接，促进了信息的流动和梯度的传播，提升了模型的训练稳定性。深度可分离卷积在减少模型参数数量的同时，保持了特征的空间结构，有助于提取更丰富的局部特征，尤其适用于高红移类星体的微弱信号检测。通道注意力和空间注意力机制允许模型自适应地调整输入数据在通道和空间维度上的权重，增强模型对不同波段和空间位置信息的关注度，使模型更加关注类星体的关键特征区域。本发明与现有的分类网络进行了对比，具有更高的探测准确率和鲁棒性，对高红移类星体的研究具有重要意义，为宇宙早期演化和超大质量黑洞形成的研究提供了有力的工具。