NA-SODINN：一种基于残差噪声状态的系外行星图像检测深度学习算法
天体物理仪器与方法
2023-12-20 v2 地球与行星天体物理
机器学习
图像与视频处理
摘要
监督深度学习近期通过 SODINN 算法被引入高对比度成像（HCI）领域，这是一种旨在用于角差分成像（ADI）数据集中系外行星检测的卷积神经网络。在系外行星成像数据挑战赛（EIDC）中对 HCI 算法进行的基准测试表明： SODINN 在最终的检测图中会产生大量误报，且 以更局部方式处理图像的算法表现更好。本研究旨在通过引入新的局部处理方法并相应调整其学习过程，来提升 SODINN 的检测性能。我们提出了 NA-SODINN，一种基于卷积神经网络（CNN）的新型深度学习二分类器，它通过识别噪声状态，能更好地捕捉 ADI 处理后帧中的图像噪声相关性。我们利用来自 VLT/SPHERE 和 Keck/NIRC-2 仪器的 ADI 序列的局部受试者工作特征（ROC）分析，将其与前身算法、两种基于 SODINN 的混合模型以及更标准的环状 PCA 方法进行了对比测试。结果表明，NA-SODINN 在敏感性和特异性上均优于 SODINN，尤其是在散斑主导的噪声状态下。NA-SODINN 还与 EIDC 中提交的所有检测算法进行了基准对比，结果显示其最终检测得分匹配或超越了最强大的检测算法。通过这一监督机器学习案例，本研究阐明并强化了将检测任务适应于处理后图像局部内容的重要性。
引用
@article{arxiv.2302.02854,
title = {NA-SODINN: a deep learning algorithm for exoplanet image detection based on residual noise regimes},
author = {Carles Cantero and Olivier Absil and Carl-Henrik Dahlqvist and Marc Van Droogenbroeck},
journal= {arXiv preprint arXiv:2302.02854},
year = {2023}
}
备注
A&A in press