通过卷积神经网络的迁移学习推进伽马射线暴识别
高能天体物理现象
2024-08-27 v1 天体物理仪器与方法
摘要
快速准确识别伽马射线暴 (GRB) 对阐明其起源至关重要。然而，当前的暴搜寻算法常常漏检低阈值信号，或缺乏对观测的通用性。本研究提出一种新方法，利用基于卷积神经网络 (CNN) 的迁移学习实验建立通用 GRB 识别方法，该方法已成功使用 GECAM-B 数据验证。通过数据增强技术，我们提高了 GRB 样本的多样性和数量。我们开发了一个带有多尺度特征交叉融合模块 (MSCFM) 的 1D CNN 模型，用于从样本中提取特征并进行分类。比较结果表明，预训练后迁移到大规模数据集上的模型性能显著提升。我们的优越模型在 GECAM-B 来源数据集上实现了 96.41% 的惊人准确率，并通过与 GECAM-B 观测的手动分析对比，发现了三条先前未被发现的 GRB。本工作所展示的创新迁移学习和数据增强方法，为数据集有限、标注样本稀缺的高能天文学多卫星探索场景提供了前景。
引用
@article{arxiv.2408.13598,
title = {Advancing Gamma-Ray Burst Identification through Transfer Learning with Convolutional Neural Networks},
author = {Peng Zhang and Bing Li and Ren-zhou Gui and Shao-lin Xiong and Yu Wang and Yan-qiu Zhang and Chen-wei Wang and Jia-cong Liu and Wang-chen Xue and Chao Zheng and Zheng-hang Yu and Wen-long Zhang},
journal= {arXiv preprint arXiv:2408.13598},
year = {2024}
}
备注
17 pages, 7 figures