通过迁移学习识别天文时间序列中的问题历元
天体物理仪器与方法
2024-07-24 v3
摘要
我们提出了一种基于深度神经网络与k近邻算法相结合的天文时间序列异常检测新方法，旨在识别并移除天体光变曲线中的问题历元。我们使用在ImageNet上预训练的EfficientNet网络作为特征提取器，在所得特征空间中进行k近邻搜索，以测量每张图像与最近邻的距离。若该距离超过堆叠图像对应的距离，则将该图像标记为潜在异常。我们将该方法应用于VLT巡天望远镜（VST）对Vera C. Rubin时空遗产巡天（LSST）深钻场监测活动所获得的时间序列。结果表明，我们的方法能有效识别并移除VST时间序列中的伪影，提升数据的质量与可靠性。鉴于LSST将产生海量数据，使得逐一检查单条光变曲线变得不可行，该方法可能极具实用价值。我们还讨论了该方法的优势与局限性，并提出了未来可能的研究方向。
引用
@article{arxiv.2405.05591,
title = {Identification of problematic epochs in astronomical time series through transfer learning},
author = {Stefano Cavuoti and Demetra De Cicco and Lars Doorenbos and Massimo Brescia and Olena Torbaniuk and Giuseppe Longo and Maurizio Paolillo},
journal= {arXiv preprint arXiv:2405.05591},
year = {2024}
}
备注
accepted for publication in A&A