用于流星监测的深度机器学习：迁移学习与梯度加权类激活映射的进展
地球与行星天体物理
2024-05-29 v2 天体物理仪器与方法
机器学习
图像与视频处理
摘要
近几十年来，用于流星研究的光学探测系统的使用急剧增加，导致需分析的数据量巨大。自动化流星探测工具对于研究持续的流星体入射通量、回收新鲜陨石以及更好地理解我们的太阳系至关重要。在流星探测方面，区分流星与非流星图像间的假阳性传统上由人工完成，这极为耗时。为解决此问题，我们开发了一个全自动化流水线，使用卷积神经网络（CNNs）对候选流星探测进行分类。我们的新方法即使在包含云、月亮和建筑物等静态元素的图像中也能探测到流星。为在每帧中精确定位流星，我们采用梯度加权类激活映射（Grad-CAM）技术。该方法通过将最后一层卷积层的激活与该层特征图上梯度的平均值相乘，来辅助识别感兴趣区域。通过将这些发现与来自第一层卷积层的激活图结合，我们有效 pinpoint 了流星最可能的像素位置。我们在西班牙流星网络（SPMN）收集的大型数据集上训练和评估了我们的模型，达到了 98% 的准确率。我们此处提出的新方法有望减轻流星科学家和站点操作员的工作负担，并提高流星追踪与分类的准确性。
引用
@article{arxiv.2310.16826,
title = {Deep machine learning for meteor monitoring: advances with transfer learning and gradient-weighted class activation mapping},
author = {Eloy Peña-Asensio and Josep M. Trigo-Rodríguez and Pau Grèbol-Tomàs and David Regordosa-Avellana and Albert Rimola},
journal= {arXiv preprint arXiv:2310.16826},
year = {2024}
}
备注
Accepted in Planetary and Space Science