Detectar asteroides cercanos a la Tierra (NEAs) es crucial para la investigación en ciencia del sistema solar y planetaria. En los últimos años, los métodos de aprendizaje profundo han dominado casi por completo la tarea. Dado que los NEAs representan solo una milésima parte de los píxeles en las imágenes, hemos propuesto un modelo ICC-BiFormer que incluye un bloque de compresión de imagen y realce de contraste y un modelo BiFormer para capturar características locales en las imágenes de entrada, lo cual es diferente de los modelos anteriores basados en Redes Neuronales Convolucionales (CNN). Además, utilizamos un tamaño de entrada más grande del modelo, que corresponde a la longitud del lado de la matriz de la imagen de entrada, y diseñamos un algoritmo de recorte para evitar que los NEAs se trunquen y dividir mejor los NEAs y los satélites. Aplicamos nuestro modelo ICC-BiFormer en un conjunto de datos de aproximadamente 20,000 imágenes de raya y 40,000 imágenes no de raya para entrenar un modelo de clasificación binaria. El ICC-BiFormer logra una precisión del 99.88%, que es superior a los modelos existentes. Enfocarse en características locales ha demostrado ser efectivo en la detección de NEAs.