FCN4Flare：用于耀斑检测的全卷积神经网络
太阳与恒星天体物理
2024-12-19 v2 地球与行星天体物理
天体物理仪器与方法
摘要
恒星耀斑为恒星磁活动和外行星环境提供了宝贵的见解。自动化耀斑检测使得利用开普勒（Kepler）等任务产生的大量光度数据集成为可能。本文提出了FCN4Flare，一种利用全卷积网络（FCN）进行精确逐点耀斑预测的深度学习方法，不受光变曲线长度的限制。关键创新包括用于自动处理缺失数据的NaN掩膜，以及用于缓解严重类别不平衡的Mask Dice损失。实验结果表明，FCN4Flare显著优于先前方法，Dice系数达到0.64，而先前最先进方法仅为0.12。将FCN4Flare应用于Kepler-LAMOST数据，我们编制了涵盖1426颗恒星的30,285个高置信度耀斑目录。耀斑能量被估算，恒星和外行星性质被分析，识别出一颗 hosting 宜居带行星的M型矮星具有显著活动。本工作克服了先前基于深度学习的耀斑检测方法的局限性，通过分析测光时间序列数据实现了新的科学发现。代码可在https://github.com/NAOC-LAMOST/fcn4flare 获取。
引用
@article{arxiv.2407.21240,
title = {FCN4Flare: Fully Convolution Neural Networks for Flare Detection},
author = {Ming-Hui Jia and A-Li Luo and Bo Qiu},
journal= {arXiv preprint arXiv:2407.21240},
year = {2024}
}
备注
14 pages, 7 figures, accepted by MNRAS