用于大规模巡天中暂现候选体审查的卷积神经网络
天体物理仪器与方法
2017-08-31 v1
摘要
当前的巡天监测大片天区以寻找变源和暂现天文源。由于单台望远镜每夜的探测数轻易超过数千，当前的探测流水线密集使用机器学习算法来对探测到的物体分类并筛选出最有趣的候选体。若干即将开展的巡天将产生多达三个数量级更多的数据，这使得高精度分类系统对于减少人工因而昂贵的专家审查至关重要。我们提出了一种基于卷积神经网络的方法，用于在参考相减的光学图像中区分真实天体源与伪迹。我们表明相对简单的网络已经可与最先进系统竞争，并且其质量可通过稍深的网络和额外的预处理步骤进一步提升——最终产生优于最先进系统的模型。特别地，我们的最佳模型在一个包含总计1,942个‘伪’实例和227个‘真’实例的测试集上，正确分类了约97.3%的‘真’实例和99.7%的‘伪’实例。此外，本工作中考虑的网络也可以不依赖差影（difference images）而成功分类这些手头物体，这可能为未来完全不包含图像相减步骤的探测流水线铺平道路。
引用
@article{arxiv.1708.08947,
title = {Convolutional Neural Networks for Transient Candidate Vetting in Large-Scale Surveys},
author = {Fabian Gieseke and Steven Bloemen and Cas van den Bogaard and Tom Heskes and Jonas Kindler and Richard A. Scalzo and Valério A. R. M. Ribeiro and Jan van Roestel and Paul J. Groot and Fang Yuan and Anais Möller and Brad E. Tucker},
journal= {arXiv preprint arXiv:1708.08947},
year = {2017}
}
备注
15 pages, 15 figures, 3 tables