基于多输入卷积神经网络的脉冲星候选体筛选
天体物理仪器与方法
2023-12-27 v1
摘要
脉冲星候选体筛选是发现新脉冲星的重要过程。其旨在从全天空巡天（如高时间分辨率宇宙（HTRU）、绿岸北天帽（GBNCC）、五百米口径球面射电望远镜（FAST）等）中寻找最有希望的脉冲星候选体。近来，机器学习（ML）在脉冲星候选体筛选研究中成为热点。然而，ML 用于脉冲星候选体筛选的一个典型挑战来自脉冲星与非脉冲星观测数量高度类不平衡所导致的学习困难。因此，本工作提出了一种名为多输入卷积神经网络（MICNN）的候选体筛选新框架。MICNN 是一种以脉冲星候选体的四幅诊断图作为输入之一的深度学习架构。为了在高度类不平衡的数据集上训练我们的 MICNN，提出了一种新颖的图像增强技术以及三阶段训练策略。基于 HTRU 和 GBNCC 观测的实验显示了这些所提技术的有效性与鲁棒性。在 HTRU 的实验中，即使在高度类不平衡的测试数据集中，我们的 MICNN 模型也取得了 0.962 的召回率和 0.967 的精确率。
引用
@article{arxiv.2007.14843,
title = {Pulsar Candidate Sifting Using Multi-input Convolution Neural Networks},
author = {Haitao Lin and Xiangru Li and Qingguo Zeng},
journal= {arXiv preprint arXiv:2007.14843},
year = {2023}
}
备注
13 pages,7 figures, 4 tables