利用无监督机器学习识别天文图像中的离群天体
计算机视觉与模式识别
2022-08-03 v1 天体物理仪器与方法
摘要
天文离群体，如不寻常、罕见或未知类型的天体或现象，不断带来天文学中真正前所未见的知识的发现。随着未来巡天数据覆盖度和质量的提升，原则上将发现更多不可预测的离群体。然而，由于工作量巨大，从海量数据中人工筛查罕见和意外目标是一项严峻挑战。监督学习也不适用于此目的，因为为未预期信号设计合适的训练集是不可行的。受这些挑战的启发，我们采用无监督机器学习方法来识别星系图像数据中的离群体，以探索探测天文离群体的路径。为比较，我们构建了三种方法，分别基于k近邻(KNN)、卷积自编码器(CAE)+KNN，以及CAE+KNN+注意力机制(attCAE KNN)。测试集基于在线发布的Galaxy Zoo图像数据创建，以评估上述方法的性能。结果表明，attCAE KNN取得了最佳召回率(78%)，比经典KNN方法高53%，比CAE+KNN高22%。attCAE KNN的效率(10分钟)也优于KNN(4小时)，且与CAE+KNN(10分钟)相当，完成相同任务。因此，我们认为以无监督方式检测星系图像数据中的天文离群体是可行的。接下来，我们将把attCAE KNN应用于可用的巡天数据集以评估其适用性和可靠性。
引用
@article{arxiv.2205.09760,
title = {Identifying outliers in astronomical images with unsupervised machine learning},
author = {Yang Han and Zhiqiang Zou and Nan Li and Yanli Chen},
journal= {arXiv preprint arXiv:2205.09760},
year = {2022}
}