自动透镜学习器：利用计算机视觉技术自动识别强引力透镜
天体物理仪器与方法
2019-08-29 v2
摘要
即将到来的巡天项目，如大型综合巡天望远镜 (LSST) 和 Euclid，需要对强引力透镜系统进行自动且高效的识别。我们提出了一种强引力透镜识别方法，该方法利用计算机视觉中的特征提取技术——方向梯度直方图 (HOG) 来捕捉弧的边缘模式。我们在类似于哈勃空间望远镜 (HST) 和 LSST 观测的模拟强星系 - 星系透镜图像的 HOG 上训练了一个监督分类器模型。我们使用受试者工作特征 (ROC) 曲线下的面积 (AUC) 来评估模型性能。在 10,000 张包含透镜和不包含透镜的图像上训练的模型，对于类 HST 样本表现出 0.975 的 AUC，对于单次 LSST 曝光为 0.625，对于 10 年模拟 LSST 观测为 0.809。性能似乎随着训练集大小的增加而持续提高。在缺乏透镜星系光的情况下，在较少图像上训练的模型表现更好。然而，随着训练数据集的增大，来自透镜星系的信息实际上提高了模型性能，表明 HOG 捕捉到了弧查找问题的许多形态复杂性。我们在斯隆透镜 ACS 巡天 (Sloan Lens ACS Survey) 的数据上测试了我们的分类器，发现小尺度图像特征降低了我们训练模型的效率。然而，这些初步测试表明，某些 HOG 参数化可以补偿观测模拟数据之间的差异。一个最佳情况参数化示例在 F814 滤光片图像中产生了 0.6 的 AUC，而其他参数化结果相当于随机性能。
引用
@article{arxiv.1704.02322,
title = {Automated Lensing Learner: Automated Strong Lensing Identification with a Computer Vision Technique},
author = {Camille Avestruz and Nan Li and Hanjue Zhu and Matthew Lightman and Thomas E. Collett and Wentao Luo},
journal= {arXiv preprint arXiv:1704.02322},
year = {2019}
}
备注
18 pages, 14 figures, summarizing results in figure 4