利用模式谱与卷积神经网络为切伦科夫望远镜阵列进行事件重建
天体物理仪器与方法
2023-02-24 v1
摘要
切伦科夫望远镜阵列（CTA）是未来的地基成像大气切伦科夫望远镜天文台。每台望远镜将通过捕获地面引发的切伦科夫辐射提供伽马射线诱发粒子簇射的快照。此类事件的模拟提供相机图像，可用作卷积神经网络（CNNs）的训练数据，以区分信号与背景事件并确定初始伽马射线事件的能量。模式谱是常用的图像分类工具，提供构成图像的特征的大小和形状分布。将模式谱应用于 CNN 允许在图像中选择相关特征组合。在这项工作中，我们从模拟的伽马射线图像生成模式谱来训练 CNN，用于 CTA 的信号-背景分离和能量重建。我们将我们的结果与使用 CTA 图像训练的 CNN 进行比较，发现基于模式谱的分析计算开销更低，但不如纯 CTA 图像的分析具有竞争力。因此，我们得出结论：CNN 必须依赖 CTA 图像中未被模式谱捕获的额外特征。
引用
@article{arxiv.2302.11876,
title = {Event reconstruction using pattern spectra and convolutional neural networks for the Cherenkov Telescope Array},
author = {J. Aschersleben and M. Vecchi and M. H. F. Wilkinson and R. F. Peletier},
journal= {arXiv preprint arXiv:2302.11876},
year = {2023}
}
备注
16 pages, 4 figures, Proceedings of the 7th Heidelberg International Symposium on High-Energy Gamma-Ray Astronomy (Gamma2022), Barcelona, Spain