基于机器学习的污染图像识别在光变曲线数据预处理中的应用
天体物理仪器与方法
2024-04-03 v1
摘要
姿态是空间物体的关键参数之一，在碰撞预测和碎片清除中起着重要作用。分析光变曲线以确定姿态是最常用的方法。在光度观测中，由于各种原因，获得的光变曲线中可能存在异常值。因此，需要进行预处理以去除这些异常值，从而获得高质量的光变曲线。通过统计分析，导致异常值的原因可分为两类：第一，由于附近恒星经过，物体亮度显著增加，称为“恒星污染”；第二，由于云层覆盖，亮度显著降低，称为“云层污染”。传统的手动检查图像污染的方法耗时且费力。然而，我们提出使用机器学习方法作为替代。采用卷积神经网络(CNN)和支持向量机(SVM)来识别恒星污染和云层污染的情况，在测试集上分别达到了1.00和0.98的F1分数。我们还探索了其他机器学习方法，如残差网络-18(ResNet-18)和轻量梯度提升机(lightGBM)，并对结果进行了比较分析。
引用
@article{arxiv.2404.01691,
title = {Machine Learning-Based Identification of Contaminated Images in Light Curves Data Preprocessing},
author = {Hui Li and Rong-Wang Li and Peng Shu and Yu-Qiang Li},
journal= {arXiv preprint arXiv:2404.01691},
year = {2024}
}
备注
12 pages, 15 figures