再电离时期21厘米观测中HII区的深度学习方法识别
天体物理仪器与方法
2021-06-25 v2 宇宙学与河外天体物理
摘要
即将建成的平方公里阵列(SKA-Low)将绘制再电离时期中性氢的分布，并产生大量三维层析数据。这些图像立方体将受到仪器限制，如噪声和有限分辨率。本文提出SegU-Net，一种稳定可靠的方法，用于在这些图像中识别中性区和电离区。SegU-Net是一种基于U-Net架构的卷积神经网络(CNN)，用于图像分割。与以往方法相比，它能以更高精度将图像数据分割为有意义的特征(电离区和中性区)。利用1000小时观测时间的SKA模拟观测，我们能以超过87%的精度估计真实的电离历史。我们还表明，SegU-Net可用于恢复各种拓扑汇总统计量，如尺度分布和贝蒂数，相对差异仅几个百分点。这些汇总统计量刻画了再电离过程的非高斯性质。
引用
@article{arxiv.2102.06713,
title = {Deep learning approach for identification of HII regions during reionization in 21-cm observations},
author = {Michele Bianco and Sambit. K. Giri and Ilian T. Iliev and Garrelt Mellema},
journal= {arXiv preprint arXiv:2102.06713},
year = {2021}
}
备注
15 pages, 13 figures, 3 tables. Moderate and minor revision, consisting of rearranging sections and extend the discussion of the network uncertainty outputs