利用预训练视觉Transformer进行多波段测光光变曲线分类
天体物理仪器与方法
2025-11-05 v4
摘要
本研究探讨了预训练视觉Transformer（VT）模型——具体为Swin Transformer V2（SwinV2）——在不需特征提取或多波段预处理的情况下对测光光变曲线进行分类的潜力。目标是评估这种基于图像的方法能否准确区分天文现象，并作为处理多波段测光光变曲线的可行选择。我们将每个多波段光变曲线转换为图像。这些图像作为输入提供给在ImageNet-21K上预训练的SwinV2模型。所使用的数据集包括来自大质量致密晕天体（MACHO）巡天的公共变星目录（使用单波段和双波段），以及近期扩展LSST天文时间序列分类挑战赛（ELAsTiCC）的第一轮（包含六个波段）。在MACHO数据集上对六个类别评估了模型性能，在ELAsTiCC数据集上对20个不同的变星和暂现源类别进行评估。微调后的SwinV2优于专门针对光变曲线设计的模型，如Astromer和天文学时间序列与表格数据Transformer（ATAT）。在完整MACHO数据集上训练时，其宏观F1分数达到80.2，并在单波段实验中超越了Astromer。引入第二个波段进一步提升了性能，F1分数提高到84.1。在ELAsTiCC数据集上，SwinV2取得了65.5的宏观F1分数，比ATAT高出1.3。
引用
@article{arxiv.2502.20479,
title = {Leveraging pre-trained vision Transformers for multi-band photometric light curve classification},
author = {Daniel Moreno-Cartagena and Pavlos Protopapas and Guillermo Cabrera-Vives and Martina Cádiz-Leyton and Ignacio Becker and Cristóbal Donoso-Oliva},
journal= {arXiv preprint arXiv:2502.20479},
year = {2025}
}