利用空间金字塔池化绕过神经网络在耀斑预测中的固定输入尺寸限制
摘要
太阳活动区 (ARs) 的空间扩展程度因具体情况而异。在使用卷积神经网络 (CNNs) 研究太阳耀斑时，由于它们通常使用固定尺寸的输入图像，这带来了一个问题。可以通过执行不同处理来获取具有同质尺寸数据的数据库，例如缩放。遗憾的是，在这些过程中关键特征可能会丢失或失真。这可能导致 CNN 分类不同软 X射线等级耀斑的能力下降，尤其是来自复杂结构活动区的耀斑。我们的工作旨在实现并测试一种能够保留输入图像原始分辨率全部特征的 CNN 架构。我们比较了两种用于太阳耀斑预测的 CNN 架构的性能：第一种是使用缩放输入的传统 CNN，另一种是实现空间金字塔池化 (SPP) 层且不进行任何输入缩放的架构。两者均在 Spaceweather HMI Active Region Patch 视向磁图数据库上进行训练。我们还研究了两种二分类情况。在第一种情况中，我们的模型将产生耀斑时间小于 24 小时且等级大于等于 C1.0 的活动区与产生耀斑时间大于 24 小时或从不产生耀斑的活动区区分开来；在第二种情况中，将产生耀斑时间小于 24 小时且等级大于等于 M1.0 的活动区与其他活动区区分开来。在预测 24 小时内大于等于 C1.0 的耀斑时，实现 SPP 层的模型优于传统 CNN 模型。然而，当被训练以分类大于等于 M1.0 耀斑的图像时，其性能与本文研究的其他模型一样急剧下降。SPP 模型在仅将大于等于 M1.0 耀斑图像分类为正例时的性能下降，可能归因于其成功识别了耀斑发生前几小时出现在活动区中的特征，而这些特征独立于其软 X射线等级。
引用
@article{arxiv.2503.05293,
title = {Bypassing the static input size of neural networks in flare forecasting by using spatial pyramid pooling},
author = {Philippe Vong and Laurent Dolla and Alexandros Koukras and Jacques Gustin and Jorge Amaya and Ekaterina Dineva and Giovanni Lapenta},
journal= {arXiv preprint arXiv:2503.05293},
year = {2025}
}
备注
This paper will be published in the Astrophysics and Astronomy journal, Volume 695, article A65. See https://www.aanda.org/component/article?access=doi&doi=10.1051/0004-6361/202449671