MaLeFiSenta：用于星际介质中纤维结构识别与定向的机器学习方法
天体物理仪器与方法
2022-07-22 v2 星系天体物理
摘要
纤维结构识别已成为解决天文学多个领域基本问题的关键步骤。然而，现有的纤维识别算法严重依赖用户且需要单独参数化。在本研究中，我们旨在调整神经网络方法以构建最佳的纤维识别模型，该模型无需针对给定天文图进行微调。首先，我们基于 Planck 与 Herschel 空间望远镜获得以及原子氢全天巡天 HI4PI 得到的最常用星际介质图创建训练样本。我们使用广泛应用的纤维识别算法 Rolling Hough Transform 来生成训练输出。下一步，我们训练了不同的神经网络模型，发现 Mask R-CNN 与 U-Net 架构的组合最适用于纤维识别及其定向角的确定。我们表明神经网络训练可仅在约 100 幅图的较小训练样本上高效进行。我们的方法消除了参数化偏差，并便利了大数据集上的纤维识别与角度确定。
引用
@article{arxiv.2205.00683,
title = {MaLeFiSenta: Machine Learning for FilamentS Identification and orientation in the ISM},
author = {D. Alina and A. Shomanov and S. Baimukhametova},
journal= {arXiv preprint arXiv:2205.00683},
year = {2022}
}
备注
11 pages, 7 figures, 3 tables. Published in IEEE Access