基于注意力增强深度学习的宇宙射线剔除

宇宙射线（CR）击中是使用固态探测器的天文成像与光谱观测中的主要污染来源。正确识别并掩蔽它们是图像处理流程的关键环节，否则可能导致虚假探测。为此，我们开发并测试了一种基于深度学习的新型框架，用于从两台不同成像仪的天文成像数据中自动检测CR击中：暗能量相机（DECam）与拉斯坎布雷斯天文台全球望远镜（LCOGT）。我们考虑了两个基线模型，即deepCR和Cosmic-CoNN，它们是当前最先进的基于学习的算法，分别使用哈勃空间望远镜（HST）ACS/WFC和LCOGT网络图像训练。我们尝试了使用注意力门（AGs）增强基线模型以提升CR检测性能的思路。我们在DECam数据上训练了模型，并证明在DECam数据集上，相较于上述基线模型，通过添加AGs在0.01%假阳性率（FPR）下的真阳性率（TPR）以及在95% TPR下的精确率上均取得了一致的边际提升。我们证明，当在来自三类不同望远镜的此前未见的LCO测试数据上测试时，所提出的AG增强模型在0.01% FPR下的TPR提供了显著增益。此外，我们证明所提出的带与不带注意力增强的基线模型均优于Astro-SCRAPPY、Maximask（在DECam数据上原生训练）和预训练地基Cosmic-CoNN等最先进模型。本研究表明，AG模块增强使我们获得了更优的deepCR和Cosmic-CoNN模型，并提升了它们在未见数据上的泛化能力。