利用U形卷积神经网络与数据挑战赛识别伽马射线点源
高能天体物理现象
2021-12-08 v2
摘要
在GeV能段，天空由来自银河系的内部星际介质发射所主导。由于统计量和空间分辨率有限，准确分离点源因此具有挑战性。在此我们展示基于深度学习的算法首次应用于从伽马射线数据中自动检测与分类点源。为具体起见，我们将此方法称为AutoSourceID。为检测点源，我们利用U形卷积网络进行图像分割，并利用k-means进行源聚类与定位。我们还探索了旨在寻找并计数目标的Centroid-Net算法。训练数据基于费米大面积望远镜（Fermi-LAT）9.5年的曝光，除若干背景星际介质发射模型外，我们使用了来自第四费米-LAT源表（4FGL）的活动星系核（AGNs）与脉冲星（PSRs）的源属性。定位算法的结果被输入一个分类神经网络，该网络经训练以分离三类通用源（AGNs、PSRs与FAKE源）。我们将定位算法与传统方法做了定性比较，发现它们具有相似的检测阈值。我们还展示了我们的源定位算法对星际介质发射模型改变的鲁棒性，这相对于传统方法具有明显优势。只要分类训练中使用平衡数据集，该分类网络便能以约70%的典型准确率区分这三类。在 https://github.com/bapanes/AutoSourceID，我们发布了训练数据集与分析脚本，并邀请社区参与旨在改进伽马射线点源定位与分类的数据挑战赛。
引用
@article{arxiv.2103.11068,
title = {Identification of point sources in gamma rays using U-shaped convolutional neural networks and a data challenge},
author = {Boris Panes and Christopher Eckner and Luc Hendriks and Sascha Caron and Klaas Dijkstra and Guðlaugur Jóhannesson and Roberto Ruiz de Austri and Gabrijela Zaharijas},
journal= {arXiv preprint arXiv:2103.11068},
year = {2021}
}
备注
19 pages (two-column format), 14 figures, accepted for publication in Astronomy & Astrophysics