利用基于Muon Hunters 2分类图像训练的卷积神经网络识别VERITAS数据中的缪子环
天体物理仪器与方法
2021-08-18 v1
摘要
广延空气簇射产生的缪子在以成像大气切伦科夫望远镜（如VERITAS）拍摄的图像中呈现为环。这些缪子环图像用于VERITAS望远镜的校准，但更高效缪子识别算法可提升校准精度。卷积神经网络（CNNs）用于许多最先进的图像识别系统，一旦在带有缪子图像标签的合适数据集上训练，便非常适用于缪子图像识别。然而，若在由现有算法标注的数据集上训练CNN，其性能将受限于原始算法次优的缪子识别效率。Muon Hunters 2是一个公民科学项目，要求用户标注VERITAS望远镜图像网格，指出哪些图像含有缪子环。每幅图像由独立志愿者标注10次，投票被汇总并用于给相应图像赋予“缪子”或“非缪子”标签。我们使用专家标注数据集进行分析，以确定用于CNN训练的图像标注的最优投票百分比截断值。该优化旨在识别尽可能多的缪子图像，同时避免假阳性。该模型的性能大幅优于现有缪子识别算法，识别出的缪子图像数量约为当前VEGAS（VERITAS Gamma-ray Analysis Suite）中所实现算法的30倍，约为霍夫变换方法的2.5倍，并且显著优于在VEGAS标注数据上训练的CNN。
引用
@article{arxiv.2108.07771,
title = {Identifying muon rings in VERITAS data using convolutional neural networks trained on images classified with Muon Hunters 2},
author = {Kevin Flanagan and John Quinn and Darryl Wright and Hugh Dickinson and Patrick Wilcox and Michael Laraia and Stephen Serjeant},
journal= {arXiv preprint arXiv:2108.07771},
year = {2021}
}
备注
9 pages, 2 figures, Proceedings of the 37th International Cosmic Ray Conference