基于可训练 COSFIRE 滤波器的射电星系数据异常检测

由于数据量庞大且标注异常样本稀少，射电天文学中的异常检测具有挑战性。解决这一问题需要有效的方法，能够在不依赖大量监督的情况下识别异常的射电星系形貌。本工作提出了一种创新方法，通过对射电源的形态特征进行建模来实现异常检测，将可训练的 COSFIRE（Combination of Shifted Filter Responses）滤波器作为高效的深度学习方法的替代方案。该框架将 COSFIRE 描述符与无监督的局部离群因子（LOF）算法集成，以识别异常的射电星系形貌。在射电星系基准数据集上的评估显示，COSFIRE 方法实现了 79% 的几何均值（G-Mean）得分，显著优于计算密集型深度学习自编码器的 77%。通过刻画正常模式并检测偏差，该半监督方法克服了传统监督方法在训练集中缺乏异常样本的主要局限。该方法在下一代射电望远镜中具有前景，其中快速处理和发现未知现象的能力至关重要。