MeerCRAB：基于深度学习的 MeerLICHT 真实与虚假暂现源分类
天体物理仪器与方法
2021-06-03 v1 星系天体物理
人工智能
计算机视觉与模式识别
机器学习
摘要
天文学家在对（光学）天空进行变源与暂现源大规模巡天时，需要高效的自动化探测与分类流水线。此类流水线至关重要，因为它们允许对最有可能具有科学价值的探测结果进行快速跟进与分析。因此我们提出一种基于称为 的卷积神经网络架构的深度学习流水线。其设计用于在 MeerLICHT 望远镜的暂现源探测流水线中滤除所谓“虚假”探测，保留真实天体物理源。光学候选体使用从图像中提取的多种 2D 图像与数值特征描述。输入图像与目标类别之间的关系并不清晰，因为真值定义薄弱且常存争议。这使得难以确定应使用哪类信息来训练分类算法。因此我们采用两种数据标注方法：（i）阈值法和（ii）潜类模型方法。我们部署了采用不同网络架构、基于志愿者提供的分类标签使用不同输入图像与训练集组合训练的 变体。最深的网络表现最佳，准确率达 99.5 ，马修斯相关系数（MCC）值为 0.989。最佳模型已集成至 MeerLICHT 暂现源审查流水线，实现了对探测暂现源的准确高效分类，使研究者能为研究目标筛选最有希望的候选体。
引用
@article{arxiv.2104.13950,
title = {MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using Deep Learning},
author = {Zafiirah Hosenie and Steven Bloemen and Paul Groot and Robert Lyon and Bart Scheers and Benjamin Stappers and Fiorenzo Stoppa and Paul Vreeswijk and Simon De Wet and Marc Klein Wolt and Elmar Körding and Vanessa McBride and Rudolf Le Poole and Kerry Paterson and Daniëlle L. A. Pieterse and Patrick Woudt},
journal= {arXiv preprint arXiv:2104.13950},
year = {2021}
}
备注
15 pages, 13 figures, Accepted for publication in Experimental Astronomy and appeared in the 3rd Workshop on Machine Learning and the Physical Sciences, NeurIPS 2020