Cosmic-CoNN：一个宇宙射线探测深度学习框架、数据集与工具包
摘要
剔除宇宙射线（CRs）对于 CCD 捕获数据的科学解释至关重要，但在单曝光图像中探测 CRs 一直具有挑战性。传统的 CR 探测器需要针对不同仪器进行实验性参数调优，而近期的深度学习方法仅产生仪器特定的模型，在训练数据未包含望远镜时会出现性能损失。我们提出 Cosmic-CoNN，一个部署于 Las Cumbres 天文台 24 台望远镜的通用 CR 探测器，这得益于本工作的三项贡献：1）我们利用来自全球望远镜网络的数千张图像构建了一个大规模且多样的地面 CR 数据集。2）我们提出了一种新颖的损失函数和一个针对望远镜成像数据优化的神经网络，以训练通用 CR 探测模型。在 95% 召回率下，我们的模型在 Las Cumbres 成像数据上达到 93.70% 的精度，并在从未用于训练的新地面仪器上保持一致的性能。具体而言，在 Las Cumbres CR 数据集上训练的 Cosmic-CoNN 模型在 Gemini GMOS-N/S 1x1 和 2x2 合并图像上分别保持 92.03% 和 96.69% 的高精度。3）我们构建了一套工具，包括交互式 CR 掩膜可视化与编辑界面、控制台命令和 Python API，以使天文学家群体能够广泛使用自动、稳健的 CR 探测。我们的数据集、开源代码库和训练好的模型可在 https://github.com/cy-xu/cosmic-conn 获取。
引用
@article{arxiv.2106.14922,
title = {Cosmic-CoNN: A Cosmic Ray Detection Deep-Learning Framework, Dataset, and Toolkit},
author = {Chengyuan Xu and Curtis McCully and Boning Dong and D. Andrew Howell and Pradeep Sen},
journal= {arXiv preprint arXiv:2106.14922},
year = {2022}
}
备注
17 pages, 10 figures, 4 tables. Submitted to AAS Journals. See https://github.com/cy-xu/cosmic-conn for the open-source software and https://zenodo.org/record/5034763 for the dataset