基于SoFiA、MTObjects及有监督深度学习在HI发射线立方体中的源搜寻技术比较研究
天体物理仪器与方法
2023-02-08 v1 星系天体物理
人工智能
计算机视觉与模式识别
机器学习
摘要
原子中性氢（HI）的21 cm谱线发射是射电天文观测的主要波长之一。然而，该信号本身微弱，且星系的HI含量依赖于宇宙环境，需要大巡天体积和巡天深度来研究HI宇宙。随着技术改进，来自这些巡天的数据量持续增长，对自动识别和表征HI源技术的需求也在增加，同时需考虑完备性与纯度之间的权衡。本研究旨在寻找最优流水线，以在三维中性氢立方体中找到并掩蔽最多源，且掩模质量最佳、伪影最少。我们尝试创建一种流水线，以最优地识别和掩蔽三维中性氢21 cm谱线数据立方体中的源，探索了多种现有方法。测试了两种传统源搜寻方法SoFiA和MTObjects，以及一种新的有监督深度学习方法，其中使用了称为V-Net的3D卷积神经网络架构。这三种源搜寻方法通过添加经典机器学习分类器作为后处理步骤以去除假阳性探测而得到进一步改进。这些流水线在来自Westerbork合成射电望远镜的HI数据立方体上测试，并额外插入了模拟星系。SoFiA结合随机森林分类器提供了最佳结果，V-Net-随机森林组合紧随其后。我们怀疑这是因为训练集中的模拟源远多于真实源。因此，有空间通过更好的标注数据来提升V-Net网络的质量，使其潜在地超越SoFiA。
引用
@article{arxiv.2211.12809,
title = {A comparative study of source-finding techniques in HI emission line cubes using SoFiA, MTObjects, and supervised deep learning},
author = {J. A. Barkai and M. A. W. Verheijen and E. T. Martínez and M. H. F. Wilkinson},
journal= {arXiv preprint arXiv:2211.12809},
year = {2023}
}