利用卷积神经网络在 CFHTLS 中寻找强透镜
天体物理仪器与方法
2017-06-16 v2 星系天体物理
摘要
我们训练并应用卷积神经网络（一种旨在从图像数据中学习并对其进行分类的机器学习技术），于加拿大 - 法国 - 夏威夷望远镜遗产巡天 (CFHTLS) 成像，以识别潜在的强透镜系统。一个由四个卷积神经网络组成的集成在模拟星系 - 星系透镜图像上进行了训练。训练集由两种不同方法生成的总共 62,406 个模拟透镜和 64,673 个非透镜负样本组成。网络能够以高达 99.8% 的准确率学习模拟透镜的特征，并在 2000 个模拟的测试集上达到 94-100% 的纯度和完备率。训练后的网络集成被应用于 CFHTLS 宽场图像数据的全部 171 平方度，识别出 18,861 个候选体，其中包括 63 个已知候选体和 139 个其他潜在透镜候选体。第二次搜索从巡天星表中选出的 140 万个早型星系作为潜在偏转体，识别出 2,465 个候选体，其中包括 117 个先前已知的透镜候选体、29 个已确认的透镜/高质量透镜候选体、266 个新的 probable 或潜在透镜，以及 2097 个我们归类为假阳性的候选体。对于基于星表的搜索，我们估计相对于可探测透镜的完备率为 21-28%，纯度为 15%，在测试的图像中假阳性率为 1/671。我们预测，天文学家审查该系统产生的候选体，每小时能在机器人选择的样本中识别出约 20 个 probable 透镜和 100 个 possible 透镜。因此，卷积神经网络是在当前及未来的巡天（如暗能量巡天和大型综合巡天望远镜）中搜索透镜的有力工具。
引用
@article{arxiv.1704.02744,
title = {Finding strong lenses in CFHTLS using convolutional neural networks},
author = {Colin Jacobs and Karl Glazebrook and Thomas Collett and Anupreeta More and Christopher McCarthy},
journal= {arXiv preprint arXiv:1704.02744},
year = {2017}
}
备注
16 pages, 8 figures. Accepted by MNRAS