基于早期融合与智能欠采样的脉冲星识别
天体物理仪器与方法
2021-12-08 v3
摘要
脉冲星的发现对物理学和天文学领域具有重要意义。随着天文设备产生大量脉冲星数据，自动识别脉冲星的算法变得迫切。我们提出了一种用于脉冲星识别的深度学习框架。针对 HTRU Medlat Training Data 中呈现的正负样本极度不平衡及困难负样本问题，我们的框架中有两种应对策略：智能欠采样与改进的损失函数。我们还应用早期融合策略，在分类前整合从不同属性获得的特征以提升性能。据我们所知，这是首个在脉冲星识别中将这些策略与技术整合在一起的研究。实验结果表明，我们的框架在训练时间或 F1 分数方面均优于以往工作。我们不仅能以比最先进工作快 10 倍的速度加速训练时间，还能在 F1 分数方面取得有竞争力的结果。
引用
@article{arxiv.2107.03071,
title = {Early-fusion Based Pulsar Identification with Smart Under-sampling},
author = {ShiChuan Zhang and XiangCong Kong and YueYing Zhou and LingYao Chen and XiaoYing Zheng and Chun-Ling Xu and Bao-Qiang Lao and Tao An},
journal= {arXiv preprint arXiv:2107.03071},
year = {2021}
}