O'TRAIN：一种用于光学暂现源巡天研究的稳健且灵活的实/伪分类器

过去十年中，研究宇宙中高能暂现现象的科学兴趣大幅增长。如今，多个地基巡天项目已经出现，以更高的图像节奏持续监测光学（及多信使）暂现天空，并且每夜覆盖越来越大的天区。这些新方法导致全局警报率大幅增加，需要谨慎处理，尤其应尽可能降低误报。因此，先前为窄视场仪器设计的标准暂现源探测流水线现在必须集成更复杂的工具，以应对数量和多样性不断增长的警报与误报。深度机器学习算法已在图像模式识别中证明其效率。我们探索该方法，以提供一种可纳入任意暂现源探测流水线的稳健且灵活的算法。我们构建了一个卷积神经网络（CNN）算法，以对不同光学望远镜提供的暂现源候选切片图（相减残差）执行实/伪分类任务。训练涉及对切片图进行人工监督标注，这些切片图被划分为两个平衡的数据集，分别包含真（True）与假（False）点源候选。我们在两条不同暂现源探测流水线生成的候选体上测试了我们的CNN模型。我们表明，我们的CNN算法可以成功训练于具有非常不同像素尺度的高度多样化图像。在四台不同望远镜的光学图像上测试并采用两种不同的暂现源探测流水线，我们的CNN模型提供了稳健的实/伪分类性能，分类准确率在93%至98%之间。