利用卷积神经网络探测太阳系天体
天体物理仪器与方法
2019-03-15 v2 地球与行星天体物理
摘要
在为 ESA 的 Euclid 任务及其将产生的大量数据做准备的过程中，我们在 Euclid 模拟数据上训练深度卷积神经网络，将太阳系天体与其他天文源分类。利用迁移学习，尽管我们的数据集很小（仅有 7512 张图像），我们仍能达到良好性能。我们的最佳模型以 94% 的 top 准确率正确识别天体，当纳入 Euclid 的 dither 信息时准确率提升至 96%。该神经网络漏检了约 50% 移动最慢的小行星（v < 10 arcsec/h），但在其他情况下即使暗至 26 星等也能正确分类小行星。我们表明，同一模型在分类恒星、星系和宇宙射线方面也表现良好，并有可能应用于区分 Euclid 数据及其他大型光学巡天中的所有类型天体。
引用
@article{arxiv.1807.10912,
title = {Detecting solar system objects with convolutional neural networks},
author = {Maggie Lieu and Luca Conversi and Bruno Altieri and Benoît Carry},
journal= {arXiv preprint arXiv:1807.10912},
year = {2019}
}
备注
11 pages, 10 figures, accepted for publication in MNRAS