面向 FAST 的残差式射频干扰深度检测

射频干扰（RFI）的检测与剔除是五百米口径球面射电望远镜（FAST）数据处理流程中的关键步骤。由于其高灵敏度和大数据率，FAST 比同类设备需要更准确高效的 RFI 标记方法。过去几十年中，基于人工智能（AI）的方法，如使用卷积神经网络（CNN）的代码，被提出以更可靠高效地识别 RFI。然而，用此类方法对 FAST 数据进行 RFI 标记常出现错误，需要进一步人工检查。此外，为有效 RFI 标记而进行的网络构建以及训练数据集的准备带来了显著的额外工作负担。因此，用现有算法针对不同观测快速部署和调整 AI 方法是不切实际的。为克服这些问题，我们提出了一种称为 RFI-Net 的模型。在输入未经任何处理的原始数据的情况下，RFI-Net 可自动检测 RFI，生成相应的掩膜而不改变原始数据。使用模拟天文数据对 RFI-Net 的实验表明，我们的模型在精确率和召回率方面均优于现有方法。此外，与其他模型相比，我们的方法可用更少的训练数据获得相同的相对精度，从而减少了准备训练数据集所需的精力与时间。而且，与其他 CNN 代码相比，RFI-Net 的训练过程可加速，且过拟合被最小化。RFI-Net 的性能也用 FAST 和 Bleien 天文台获得的观测数据进行了评估。我们的结果证明了 RFI-Net 能够以细粒度、高精度的掩膜准确识别 RFI，且无需进一步修改。