利用 Mask R-CNN 图像分割增强快速射电瞬变探测
天体物理仪器与方法
2025-11-25 v1 高能天体物理现象
摘要
传统上，快速射电瞬变搜索在色散补偿后的时间序列上使用基于数据统计特性的阈值技术进行。然而，色散补偿后时间序列中的峰值并不直接提供源的本质信息。在 DM-时间域中，真实色散天体信号的信噪比变化呈现特征性的领结形状，而无线电频率干扰（RFI）可呈现多种不同形式。我们开发了一种方法，绕过传统单脉冲搜索的阈值步骤，转而直接进行 DM-时间域图像分析。我们流水线的核心是 Mask R-CNN，一种用于目标检测的深度学习模型，使其能够识别领结特征并区分真实源与 RFI。之前的深度学习模型通常将 DM-时间域的一段片段作为输入。我们在真实 MeerKAT 噪声观测上叠加模拟爆发来训练模型。我们在 MeerKAT 对重复源 FRB20240114A 的后续观测上测试了该模型，成功恢复了所有信噪比高于传统阈值的爆发，同时探测到了两个更暗的爆发。我们的新方法在名义阈值以上的候选数量大幅减少，同时能够在典型巡天中实时运行。我们还提出了一种针对该方法优化的传统色散补偿方案的修改版本。
引用
@article{arxiv.2511.19014,
title = {Enhancing Fast Radio Transient Detection with Mask R-CNN Image Segmentation},
author = {Sergio Belmonte Diaz and Rene P. Breton and Zafiirah Hosenie and Ben W. Stappers},
journal= {arXiv preprint arXiv:2511.19014},
year = {2025}
}
备注
Manuscript submitted to Royal Astronomical Society Techniques and Instruments. 14 pages. 11 figures