La detección de objetivos móviles débiles en sistemas LAL y de alerta temprana supone un reto significativo debido a la baja energía de la señal, el reducido alcance espacial y la compleja distorsión del fondo. Los métodos existentes presentan dificultades para extraer características robustas y carecen de anotaciones fiables. Para abordar estas limitaciones, en este artículo proponemos un novedoso marco de aprendizaje temporal supervisado por puntos (TPS) que permite la detección de objetivos débiles de alto rendimiento sin anotación manual. En lugar de la detección convencional basada en fotogramas, nuestro marco replantea la tarea como un problema de modelado de señales temporales píxel a píxel, donde los objetivos débiles aparecen como respuestas de tipo pulso de corta duración. Se ha desarrollado una red de reconstrucción de señales temporales (TSRNet) para reconstruir dichas señales temporales bajo el paradigma TPS. TSRNet adopta una arquitectura de codificador-decodificador e integra un módulo de atención dinámica multiescala (DMSAttention) para mejorar la sensibilidad a diversos patrones temporales. También emplea una estrategia de minería de trayectorias basada en grafos para suprimir falsas alarmas y garantizar la consistencia temporal. Experimentos exhaustivos con un conjunto de datos de baja relación señal-ruido (SNR) especialmente diseñado demuestran que nuestro marco supera a los métodos más avanzados sin anotación humana. Alcanza un excelente rendimiento de detección y opera a más de 1000 FPS, lo que destaca su capacidad de implementación en tiempo real en escenarios reales.
