基于深度学习推动直接成像系外行星发现的极限
地球与行星天体物理
2020-05-07 v2 天体物理仪器与方法
摘要
系外行星探测与表征的进一步进展需要对多样化的系外行星种群进行采样。探测这些遥远世界的一种技术是通过直接探测其热辐射。所谓直接成像技术，适用于观测远离恒星的年轻行星。这些都是极低信噪比 (SNR) 的测量，且有限的真实标记阻碍了监督学习方法的使用。在本文中，我们结合深度生成模型与判别模型，以规避直接在真实数据上训练时出现的问题。我们使用生成对抗网络 (GAN) 获得合适的数据集，用于训练卷积神经网络 (CNN) 分类器，以在广泛 SNR 范围内探测并定位行星。在人工数据上测试，我们的探测器展现出良好的预测性能与跨 SNR 的鲁棒性。为展示探测器的极限，我们提供了模型对输入图像每个像素的精度与召回率映射。在真实数据上，模型能够重新确认亮源探测。
引用
@article{arxiv.1904.06155,
title = {Pushing the Limits of Exoplanet Discovery via Direct Imaging with Deep Learning},
author = {Kai Hou Yip and Nikolaos Nikolaou and Piero Coronica and Angelos Tsiaras and Billy Edwards and Quentin Changeat and Mario Morvan and Beth Biller and Sasha Hinkley and Jeffrey Salmond and Matthew Archer and Paul Sumption and Elodie Choquet and Remi Soummer and Laurent Pueyo and Ingo P. Waldmann},
journal= {arXiv preprint arXiv:1904.06155},
year = {2020}
}
备注
16 Pages, 6 Figures, 3 Tables, Presented in ECML-PKDD 2019