في عالم اكتشاف الأجسام الفضائية، يواجه اللعبون تحديات تعيق القدرة على معالجة الصور بدقة، وسط وجود موارد حاسوبية محدودة وصور غير مصححة تمامًا. وقد أثبتت النماذج التلافيفية (Convolutional Detectors) فعاليتها من حيث كفاءة الأجهزة، لكنها غالبًا ما تعاني من استخراج تمثيلات قوية من البيانات الخام والصاخبة. وعلى النقيض من ذلك، توفر نماذج التحويل (Transformer Models) قدرات استنتاجية عالمية أقوى، لكنها تواجه صعوبات في النشر على تسريع FPGA بسبب تعقيد الانتباه التربيعي والعمليات غير المتوافقة.

أمام هذه التحديات، تم تقديم نموذج TriCCOT، والذي يتميز بهيكله الثلاثي لتحسين اكتشاف الأجسام. يجمع TriCCOT بين شبكة اقتراح منطقة تلافيفية (Convolutional Region Proposal Network) ومرحلة توقع متوافقة (Conformal Prediction) ومصنف قائمة على الانتباه صديق للأجهزة يسمى Aper-GATES. تقوم شبكة اقتراح المنطقة بإنشاء صناديق اقتراح مرشحة، والتي تتم تكبيرها لاحقًا من خلال التوقع المتوافق، مما يوفر ضمان تغطية احتمالية غير مشروطة.

تتم معالجة المحاصيل الناتجة بواسطة Aper-GATES، التي تعيد صياغة الانتباه الذاتي من خلال إسقاطات تلافيفية وإحصاءات قنوات عالمية، وعمليات بوابة صديقة للأجهزة، مما يتجنب العمليات القياسية لنموذج التحويل التي لا تتناسب مع مسرعات CNN.

لقد أظهرت التجارب على مجموعتي بيانات DIOR وVDVRaw أداءً تنافسياً في الكشف، بالإضافة إلى تعزيز المتانة ضد الضباب الفراغي والضوضاء المعتمدة على الإشارة مقارنة بالهياكل المتوافقة مع FPGA. وأخيرًا، تم تنفيذ النموذج بالكامل على FPGA من نوع Xilinx Versal VCK190 بدون تعديل العمارة الأساسية لـ DPU، مما يمكّن من استنتاج موحد بين نماذج CNN والتحويل للتطبيقات المحمولة في الفضاء.