Radio Galaxy Zoo：ClaRAN——一种用于射电形态学的深度学习分类器
天体物理仪器与方法
2018-10-31 v2
摘要
即将到来的下一代大面积射电连续谱巡天预计将包含数千万个射电源，使得通过目视检查进行射电形态分类的传统方法不可行。我们提出ClaRAN——使用神经网络自动分类射电源（Classifying Radio sources Automatically with Neural networks）——一种基于更快区域卷积神经网络（Faster R-CNN）方法的概念验证射电源形态分类器。具体而言，我们在来自Radio Galaxy Zoo数据发布1星表的FIRST与WISE图像上训练和测试ClaRAN。ClaRAN为终端用户提供从同一区域的射电图像与对应红外图像的简单输入中自动识别射电源形态分类的功能。ClaRAN是首个开源、端到端的射电源形态分类器，能够以快速（每幅图像<200毫秒）且准确（≥90%）的方式定位并关联射电源的离散与扩展成分。未来工作将改善ClaRAN在处理多源场时相对较低的成功率，并使ClaRAN能够在更大视场中识别源而不损失分类精度。
引用
@article{arxiv.1805.12008,
title = {Radio Galaxy Zoo: ClaRAN - A Deep Learning Classifier for Radio Morphologies},
author = {Chen Wu and O. Ivy Wong and Lawrence Rudnick and Stanislav S. Shabala and Matthew J. Alger and Julie K. Banfield and Cheng Soon Ong and Sarah V. White and Avery F. Garon and Ray P. Norris and Heinz Andernach and Jean Tate and Vesna Lukic and Hongming Tang and Kevin Schawinski and Foivos I. Diakogiannis},
journal= {arXiv preprint arXiv:1805.12008},
year = {2018}
}
备注
22 pages, 16 figures, Accepted in Monthly Notices of the Royal Astronomical Society