deepCR：基于深度学习的宇宙线剔除方法
摘要
宇宙线（CR）的识别与替换是涉及固态探测器的成像与光谱还原流程中的关键环节。我们提出 deepCR，一个基于深度学习的框架，用于宇宙线识别以及基于预测宇宙线掩模的后续图像修复。为验证该框架的有效性，我们在哈勃空间望远镜 ACS/WFC 拍摄的稀疏河外星系场、球状星团与已分辨星系图像上训练并评估模型。我们证明，在 0.5% 假阳性率下，deepCR 在河外星系场与球状星团场中均达到接近 100% 的探测率，在已分辨星系场中达 91%，较当前最优方法 LACosmic 有显著提升。与 LACosmic 的多核 CPU 实现相比，deepCR 的宇宙线掩模预测在 CPU 上快达 6.5 倍，在单 GPU 上快达 90 倍。在图像修复方面，与被测试表现最佳的非神经技术相比，deepCR 预测的均方误差在球状星团场中低 20 倍，在已分辨星系场中低 5 倍，在河外星系场中低 2.5 倍。我们将该框架与训练好的模型作为开源 Python 项目发布，并提供易用 API。为便于结果复现，我们还提供了基准测试代码库。
引用
@article{arxiv.1907.09500,
title = {deepCR: Cosmic Ray Rejection with Deep Learning},
author = {Keming Zhang and Joshua S. Bloom},
journal= {arXiv preprint arXiv:1907.09500},
year = {2020}
}
备注
Accepted for publication in ApJ. 12 pages, 6 figures. An open-source Python package, deepCR, which implements the approach in this paper is at https://github.com/profjsb/deepCR. Figures and benchmarks can be reproduced at https://github.com/kmzzhang/deepCR-paper. Blog post describing this work is at https://medium.com/@kemingzhang/deepcr-2fa610655655