基于深度学习模型的高效太阳磁通量演化视频标注
太阳与恒星天体物理
2023-08-30 v1 天体物理仪器与方法
人工智能
机器学习
图像与视频处理
摘要
机器学习(ML)正成为探查大型复杂数据的关键工具。标注,即添加有意义注释的过程,是监督式 ML 的关键步骤。然而,标注数据集十分耗时。本文表明,在粗略标注的天文视频上训练的卷积神经网络(CNN),可用于提升数据标注质量并减少人工干预需求。我们使用太阳磁场视频,依据双极磁区(BMR)在太阳圆面上首次探测到的情况,粗略标注为两类:双极磁区浮现或非浮现。我们利用粗略标签训练 CNN,人工核查并修正与 CNN 不一致处的标注,并重复该过程直至收敛。传统上,磁通量浮现标注由人工完成。我们发现,通过这一迭代过程得到的高质量标注数据集,将必要的人工核查减少了 50%。此外,通过逐步掩蔽视频并寻找 CNN 推理的最大变化,我们无需重新训练 CNN 即可定位 BMR 浮现时间。这展示了 CNN 在简化复杂动态事件标注这一挑战性任务中的多用途性。
引用
@article{arxiv.2308.14976,
title = {Efficient labeling of solar flux evolution videos by a deep learning model},
author = {Subhamoy Chatterjee and Andrés Muñoz-Jaramillo and Derek A. Lamb},
journal= {arXiv preprint arXiv:2308.14976},
year = {2023}
}
备注
16 pages, 7 figures, published in Nature Astronomy, June 27, 2022