FETCH：一种基于深度学习的快速瞬变分类器
天体物理仪器与方法
2020-06-26 v2
摘要
随着即将开展的快速射电暴（FRB）共生巡天及其高候选率，使用机器学习算法进行候选体分类成为必需。此类算法也将在发送实时触发以用于其他仪器的快速跟进观测中发挥关键作用。本文中，我们利用迁移学习技术训练了最先进的深度神经网络，用于分类 FRB 与射频干扰（RFI）候选体。这些是卷积神经网络，以射频-时间图和色散量-时间图作为输入。我们使用来自 Green Bank 天文台望远镜的模拟 FRB 与真实 RFI 候选体训练了这些网络。我们给出了 11 个深度学习模型，每个在由真实 RFI 与脉冲星候选体构成的测试数据集上准确率与召回率均高于 99.5%。如我们所展示，这些算法与望远镜和频率无关，并能检测到 ASKAP 与 Parkes 数据中信噪比高于 10 的所有 FRB。我们还提供了一个开源 python 包 FETCH（Fast Extragalactic Transient Candidate Hunter），使用我们的模型进行候选体分类。利用 FETCH，这些模型可部署于任何共生搜索流水线中以进行实时候选体分类。
引用
@article{arxiv.1902.06343,
title = {FETCH: A deep-learning based classifier for fast transient classification},
author = {Devansh Agarwal and Kshitij Aggarwal and Sarah Burke-Spolaor and Duncan R. Lorimer and Nathaniel Garver-Daniels},
journal= {arXiv preprint arXiv:1902.06343},
year = {2020}
}
备注
16 pages, 10 figures; Accepted for publication in Monthly Notices of the Royal Astronomical Society