如何以更少的工作发现更多超新星：差分成像中的天体分类技术
天体物理学
2009-06-23 v1
摘要
我们展示了在 Nearby Supernova Factory 超新星搜寻项目中，将新的天体分类技术应用于差分成像的结果。目前大多数超新星搜寻项目会从新图像中减去参考图像，在得到的差分图像中识别天体，并通过对统计显著性、形状和运动等参数施加简单的阈值切割，以剔除宇宙线、小行星和减影伪影等天体。尽管大多数静态天体能够被干净地减除，但即使极低的假阳性探测率也会导致产生数百个非超新星候选体，这些候选体在触发后续跟进观测前必须经过人工核查。相比之下，提升决策树 (Boosted Decision Trees)、随机森林 (Random Forests) 和支持向量机 (Support Vector Machines) 等更复杂的方法提供了显著更好的天体判别能力。在 Nearby Supernova Factory，我们在提高超新星识别效率的同时，将非超新星候选体的数量减少了 10 倍。此类方法对于维持 PanSTARRS 和 LSST 等未来项目的自动化瞬变源警报流水线中的合理假阳性率至关重要。
关键词
引用
@article{arxiv.0705.0493,
title = {How to Find More Supernovae with Less Work: Object Classification Techniques for Difference Imaging},
author = {S. Bailey and C. Aragon and R. Romano and R. C. Thomas and B. A. Weaver and D. Wong},
journal= {arXiv preprint arXiv:0705.0493},
year = {2009}
}
评论
25 pages; 6 figures; submitted to ApJ