深度学习改进射频干扰识别

射频干扰（RFI）的标记是射电天文学中日益重要的挑战。我们提出 R-Net，一种深度卷积 ResNet 架构，在所有指标（包括 AUC、F1-score 和 MCC）上显著优于现有算法——包括默认的 MeerKAT RFI 标记器以及深度 U-Net 架构。我们在单碟和干涉模拟以及利用迁移学习的真实数据上展示了该改进的鲁棒性。我们的 R-Net 模型在 $80\%$ 召回率下的精度比当前 MeerKAT 标记器约高 $90\%$，且 F1-score 高 35\% 而无额外性能开销。我们进一步强调了从一个最初在模拟 MeerKAT 数据上训练并针对真实人工标记的 KAT-7 数据微调的模型进行迁移学习的有效性。尽管两台望远镜阵列性质差异很大，该模型达到了 0.91 的 AUC，而无迁移学习的最佳模型仅达到 0.67 的 AUC。我们考虑在模型中使用相位信息，但发现未经校准时相位相对于仅振幅数据几乎不提供额外信息。我们的结果强烈表明，基于模拟的深度学习辅以真实数据上的迁移学习，很可能将在射电天文数据 RFI 标记的未来中发挥关键作用。