M2Former：增强基于事件数据的 RT-DETR，实现鲁棒且轻量化的空间目标检测

基于摘要分析。该研究面向在轨空间目标（RSOs）检测，针对传统光学传感器在极端光照变化和运动模糊下的局限，以及事件数据稀缺问题，构建 E-SPARK 数据集，并将轻量化多尺度 MetaFormer 骨干 M2Former、面积感知损失（AAL）和改进的数据增强策略集成到 RT-DETR 中。 事件相机异步记录逐像素亮度变化，具有高时间分辨率、宽动态范围和低功耗特点。作者使用仿射变换与仿真器生成 E-SPARK，旨在为事件相机空间目标检测提供训练与评估数据。摘要未说明数据规模、事件表示、目标类别、真实数据来源及训练测试划分，合成数据与真实数据之间的差异尚待核对。 方法上，M2Former 用于降低 RT-DETR 骨干的计算负担，AAL 针对小目标检测设计；改进的数据增强策略旨在增加监督密度和数据多样性。骨干具体结构、损失公式、增强操作及训练配置尚未验证，不能据来源栏目将其归为状态空间模型方法。 作者报告，相较所比较的 RT-DETR 设计，参数量和计算复杂度降低超过 50%，同时保持相近检测精度；在合成与真实事件数据实验中达到作者所称的当前最优表现，并展现较强泛化能力。摘要未给出具体模型配置、检测指标、绝对数值或泛化协议，因此这些结论仍需结合全文核对。实验协议、消融及统计信息尚未验证。 作者声明数据集、代码和补充材料已公开，但本次未验证其内容与复现完整性。研究主要对象是空间视觉感知，而非 EEG/BCI；摘要未提供明确的神经信号机制对应，不据此生成迁移结论或复现实验建议。