用于天体普查的人工智能：最新技术遇见最古老的科学
天体物理仪器与方法
2021-09-28 v1
摘要
使用现代望远镜的大型巡天所产生的图像在尺寸和质量上呈指数级增长。通过视觉识别在生成的图像中确认目标耗时费力，而对提取的射电源进行分类则更具挑战性。为应对这些挑战，我们开发了一种基于深度学习的射电源探测器，名为HeTu，它能够以自动化方式快速识别和分类致密与延展射电源。HeTu基于残差网络（ResNet）与特征金字塔网络（FPN）的组合。我们根据形态将射电源分为四类。训练图像经人工标注，并采用数据增强方法以解决不同类别间的数据不平衡。HeTu自动定位图像中的射电源并将其归入四类之一。在测试数据集上的实验显示，每幅图像平均处理时间为5.4毫秒，致密点源精度为99.4%，双瓣源精度为98.1%。我们将HeTu应用于银河及银河系外全目标默奇森宽场阵列（GLEAM）巡天项目所得图像。与GLEAM中使用的源探测软件相比，HeTu探测的致密源匹配率超过96.9%。我们还以高于5σ探测并分类了2,298个延展源（包括Fanaroff-Riley I型和II型源，以及核-喷流源）。延展源的跨匹配率高于97%，显示出HeTu在识别延展射电源方面的优异性能。HeTu为射电源搜寻与分类提供了高效工具，并可应用于其他科学领域。
引用
@article{arxiv.2107.03082,
title = {Artificial intelligence for celestial object census: the latest technology meets the oldest science},
author = {Baoqiang Lao and Tao An and Ailing Wang and Zhijun Xu and Shaoguang Guo and Weijia Lv and Xiaocong Wu and Yingkang Zhang},
journal= {arXiv preprint arXiv:2107.03082},
year = {2021}
}
备注
Accepted by Science Bulletin. Note that the final version of the paper in the journal is formatted slightly differently from the one in astro-ph because of the journal's layout