近年来，随着空间探索活动持续增加，在轨空间目标的数量与类型呈现快速演化趋势。传统空间目标检测方法大多建立在闭集假设之上，默认训练阶段与实际应用阶段的目标类别保持一致，并通过持续扩充目标数据库和重新训练模型适应新增目标。然而，在真实空间环境中，新发射航天器及新产生空间碎片往往难以及时被数据库收录，依赖持续构建“大而全”数据集的传统检测范式难以适应动态变化的空间环境，也限制了空间目标监视与空间态势感知系统对未知目标的持续感知能力。
针对上述问题，本文提出一种语义信息引导的空间目标开放集检测网络 SOOD-Net (Space Object Open-set Detection Network)，在保持已知类别稳定识别的同时，提高对训练阶段未见目标的发现与定位能力。考虑到不同类型航天器和空间碎片通常具有局部几何结构连续等类别无关特征，本文以 SAM (Segment Anything Model) 为基础，利用 DTSD 数据集进行航天领域适配，构建空间目标通用分割模型 SSM (Space-object Segmentation Model)，用于挖掘潜在的类别无关前景与真实目标区域。此外，针对深空场景中暗弱目标结构响应不足、目标尺度变化显著以及开放集条件下定位与分类相互制约等问题，网络引入以下三个改进：
1)面向暗弱空间目标的结构感知提示增强模块 SPEM (Structure-aware Prompt Enhancement Module)。深空图像低对比度及星点噪声容易淹没小尺度目标结构响应的问题，SPEM在特征输入 SSM 前利用深度卷积建模局部空间上下文，并通过残差结构抑制低频背景响应，突出目标与邻域之间的局部差异；同时引入高层语义信息对结构响应进行自适应调制，降低孤立星点及高频噪声产生的干扰。增强后的结构特征以用于生成更加可靠的目标提示，从而提升 SSM 对暗弱及小尺度空间目标的分割与候选区域提取能力。
2)多尺度特征融合模块 MFFM (Multi-scale Feature Fusion Module)。针对不同轨道距离、目标尺寸和观测姿态引起的显著尺度变化，以及小尺度空间碎片在连续下采样过程中容易丢失细节的问题，MFFM通过多层特征空间对齐与跨尺度融合，将浅层特征中的边缘、轮廓等空间细节与深层特征中的高层语义信息进行互补，并建立不同尺度特征之间的关联关系，使网络能够根据目标尺度与上下文信息自适应利用不同层级特征，增强远距离、小尺度及暗弱空间目标的特征表征能力。
3)面向开放集检测的双层解码器DDU (Double-Decoder Unit)，将目标定位与类别判别过程进行解耦。定位阶段优先建模类别无关的前景目标性与空间位置信息，在获得稳定目标候选后，再利用独立分类表示完成已知类别与统一未知类别判别。该设计降低已知类别语义对目标定位的过度约束，使未知目标即使缺乏较高的已知类别响应，仍可依据其前景目标性和结构特征被有效保留，从而缓解开放集场景中因分类不确定导致的未知目标漏检及已知—未知类别混淆问题。
为验证所提出方法的有效性，我们在整理构建的 SPARK-OpenSet 数据集上开展实验。该数据集包含多种航天器及空间碎片，并通过已知类别与未知类别划分模拟新型航天器和新增空间碎片进入实际观测环境的开放集检测过程。实验从已知类别检测性能、未知目标召回能力、类别无关目标预测能力及综合检测性能等方面进行评价。结果表明，SOOD-Net在保持已知类别检测性能的同时显著提升了未知空间目标的发现能力，未知目标 U-Recall 由基线方法的 66% 提升至 74%，类别无关预测精度达到 83%，已知类别平均检测精度达到 91%，整体 F1-score 达到 88%。
综上，SOOD-Net在保持已知目标识别能力的同时增强了对训练阶段未见航天器和空间碎片的发现与定位能力。为未来动态、多元和开放空间环境下的空间目标监视与空间态势感知提供了一种新的解决思路。

开放世界,太空空间目标检测,未知目标检测,结构引导,未知环境认知