SDSS 瞬变源巡天图像的机器学习分类
天体物理仪器与方法
2015-11-23 v3 宇宙学与河外天体物理
计算机视觉与模式识别
摘要
我们展示了多种机器学习算法在将斯隆数字巡天 (SDSS) 超新星巡天的瞬变成像数据分类为真实天体与伪影时，能够达到与人类相当的性能。这是任何瞬变源科学流程的第一步，目前仍由人工完成，但未来的巡天项目（如大型综合巡天望远镜 LSST）将需要完全由机器驱动的解决方案。利用从单历元 g、r 和 i 波段差值图像的本征图像分析（主成分分析，PCA）中训练得到的特征，我们可以达到 96% 的完备率（召回率），同时最多仅将 18% 的伪影错误分类为真实天体，对应 84% 的精确率（纯度）。总体而言，随机森林表现最佳，其次是 k-近邻和 SkyNet 人工神经网络算法，优于朴素贝叶斯和核支持向量机等其他方法。我们的结果表明，基于 PCA 的机器学习可以达到人类的成功水平，并且可以通过纳入多历元数据、瞬变源颜色以及宿主星系信息进行自然扩展，这有望带来显著的进一步改进，特别是在低信噪比情况下。
引用
@article{arxiv.1407.4118,
title = {Machine Learning Classification of SDSS Transient Survey Images},
author = {L. du Buisson and N. Sivanandam and B. A. Bassett and M. Smith},
journal= {arXiv preprint arXiv:1407.4118},
year = {2015}
}
备注
14 pages, 8 figures. In this version extremely minor adjustments to the paper were made - e.g. Figure 5 is now easier to view in greyscale