面向 Tomo-e Gozen 瞬变巡天的深度学习实/伪分类
天体物理仪器与方法
2022-06-28 v1 高能天体物理现象
摘要
我们提出了一种深度神经网络实/伪(Real/Bogus)分类器,通过处理训练数据中的标签错误来提升 Tomo-e Gozen 瞬变巡天的分类性能。在 Tomo-e Gozen 的宽视场、高频瞬变巡天中,由于每晚出现约 个伪探测,传统卷积神经网络分类器的性能不足。在需要更好分类器的情况下,我们开发了一种新的两阶段训练方法。在该训练方法中,训练数据中的标签错误首先通过常规监督学习分类被检测出来,然后被取消标签并用于半监督学习的训练。对于实际观测数据,采用该方法的分类器在真阳性率(TPR)为 0.9 时达到了 0.9998 的曲线下面积(AUC)和 0.0002 的假阳性率(FPR)。该训练方法节省了人工重新标注的精力,并且在标签错误占高比例的训练数据上表现更好。通过将所开发的分类器部署于 Tomo-e Gozen 流水线中,瞬变候选体数量减少至每晚约 40 个,约为上一版本的 1/130,同时保持了真实瞬变的回收率。这使得后续观测目标的选择更为高效。
引用
@article{arxiv.2206.12478,
title = {Deep-learning Real/Bogus classification for the Tomo-e Gozen transient survey},
author = {Ichiro Takahashi and Ryo Hamasaki and Naonori Ueda and Masaomi Tanaka and Nozomu Tominaga and Shigeyuki Sako and Ryou Ohsawa and Naoki Yoshida},
journal= {arXiv preprint arXiv:2206.12478},
year = {2022}
}
备注
14 pages, 17 figures, 2 tables. Published in PASJ. The source code is available at https://github.com/ichiro-takahashi/tomoe-realbogus