DenseLens——使用 DenseNet 集成与信息准则发现和排序强引力透镜
星系天体物理
2023-11-15 v1
摘要
卷积神经网络（CNNs）是识别强引力透镜的最先进的技术。尽管它们以高真阳性率成功恢复真实透镜系统，但数据集的不平衡性质（透镜系统稀少）仍导致高假阳性率。为使这些技术在即将到来的巡天（如 Euclid）中成功，重点应放在降低假阳性而非降低假阴性上。在本文中，我们引入稠密连接神经网络（DenseNets）作为 CNN 架构，用于一个新的流水线集成模型，该模型包含分类 CNN 集成和回归 CNN 集成，分别用于对透镜进行分类和排序。我们表明，与残差网络（ResNets）相比，DenseNets 取得相当的真阳性率但显著更低的假阳性率。因此，我们推荐将 DenseNets 用于涉及大数据集的未来任务，如 Euclid，其中低假阳性率在大量强引力透镜候选体的自动后续和分析中起关键作用，而人工甄别已不再可行。
引用
@article{arxiv.2311.08184,
title = {DenseLens -- Using DenseNet ensembles and information criteria for finding and rank-ordering strong gravitational lenses,},
author = {Bharath Chowdhary Nagam and Léon V. E. Koopmans and Edwin A. Valentijn and Gijs Verdoes Kleijn and Jelte T. A. de Jong and Nicola Napolitano and Rui Li and Crescenzo Tortora},
journal= {arXiv preprint arXiv:2311.08184},
year = {2023}
}