Deep-HiTS：用于瞬变天体检测的旋转不变卷积神经网络
天体物理仪器与方法
2017-02-22 v1 计算机视觉与模式识别
摘要
我们介绍了 Deep-HiTS，一种旋转不变的卷积神经网络（CNN）模型，用于将高节奏瞬变巡天（HiTS）的瞬变候选体图像分类为伪影或真实源。CNN 的优势在于能够自动从数据中学习特征，同时实现高性能。我们将我们的 CNN 模型与使用随机森林（RF）的特征工程方法进行了比较。结果表明，我们的 CNN 显著优于 RF 模型，将误差减少了近一半。此外，在每夜允许约 2,000 个误报瞬变候选体的固定数量下，我们能够将误分类的真实瞬变减少约 1/5。据我们所知，这是首次将 CNN 用于检测天文瞬变事件。我们的方法在处理来自诸如大型综合巡天望远镜（LSST）等下一代仪器的图像时将非常有用。我们已向社区公开所有代码和数据，以便于进一步开发和比较，网址为 https://github.com/guille-c/Deep-HiTS。
引用
@article{arxiv.1701.00458,
title = {Deep-HiTS: Rotation Invariant Convolutional Neural Network for Transient Detection},
author = {Guillermo Cabrera-Vives and Ignacio Reyes and Francisco Förster and Pablo A. Estévez and Juan-Carlos Maureira},
journal= {arXiv preprint arXiv:1701.00458},
year = {2017}
}