探究用于切伦科夫望远镜 γ 射线天文事件中重建的卷积神经网络
天体物理仪器与方法
2019-03-07 v1
摘要
近年来，通过应用深度学习技术，计算机视觉领域取得了巨大进展。其中，卷积神经网络（CNNs）达到了图像识别的最先进性能。CNN 是一类强大的人工神经网络，其特点在于比传统神经网络需要更少的连接和自由参数，并利用输入数据中的空间对称性。此外，CNN 能够自动从数据集中提取通用特征并创建抽象的数据表示，从而进行非常鲁棒的预测。这表明使用切伦科夫望远镜的实验可以利用这些强大的机器学习算法来改进对粒子诱导空气簇射的分析，其中初级簇射粒子的性质由望远镜记录到的簇射图像重建得到。在这项工作中，我们展示了基于 CNN 的分析在背景抑制和簇射重建方面的初步结果，利用了来自 H.E.S.S. 实验的模拟数据。我们集中于有监督训练方法，并概述了图像采样对 CNN 模型预测性能的影响。
引用
@article{arxiv.1711.06298,
title = {Probing Convolutional Neural Networks for Event Reconstruction in {\gamma}-Ray Astronomy with Cherenkov Telescopes},
author = {Tim Lukas Holch and Idan Shilon and Matthias Büchele and Tobias Fischer and Stefan Funk and Nils Groeger and David Jankowsky and Thomas Lohse and Ullrich Schwanke and Philipp Wagner},
journal= {arXiv preprint arXiv:1711.06298},
year = {2019}
}
备注
8 pages, 4 figures, Proceedings of the 35th International Cosmic Ray Conference (ICRC 2017), Busan, Korea