基于生成对抗网络的天文图像异常检测
星系天体物理
2020-12-16 v1
摘要
我们提出了一种使用Wasserstein生成对抗网络(WGANs)在夏威夷Subaru望远镜上Hyper Suprime-Cam(HSC)宽场巡光学的星系图像上进行异常检测的方法。WGAN在整个样本上训练,并学习生成遵循训练数据分布的逼真类HSC图像。我们识别那些在生成器潜空间中代表性较差、且被判别器标记为较不真实的图像;因此这些图像相对于其余数据而言是异常的。我们提出了一种基于卷积自编码器(CAE)表征这些异常的新方法,以降低真实图像与WGAN重建图像之间残差差异的维度。我们从近百万个对象样本中构建了约9,000张高度异常图像的子样本,并进一步在其中识别出有趣的异常;这些包括星系并合、潮汐特征和极端恒星形成星系。所提方法可在大数据天体物理时代促进无监督发现。
引用
@article{arxiv.2012.08082,
title = {Anomaly Detection in Astronomical Images with Generative Adversarial Networks},
author = {Kate Storey-Fisher and Marc Huertas-Company and Nesar Ramachandra and Francois Lanusse and Alexie Leauthaud and Yifei Luo and Song Huang},
journal= {arXiv preprint arXiv:2012.08082},
year = {2020}
}
备注
Accepted to the 2020 NeurIPS Machine Learning and the Physical Science Workshop