基于深度学习的射电源分割与分类
天体物理仪器与方法
2023-06-27 v2
摘要
现代大型射电连续谱巡天具有高灵敏度和高分辨率，并能分辨此前未探测到的延展与弥漫辐射，这给延展源的检测与形态分类带来巨大挑战。我们提出HeTu-v2，一种基于深度学习的源探测器，其使用Mask Region-based Convolutional Neural Networks（Mask R-CNN）与Transformer模块的组合网络来实现高质量的射电源分割与分类。源被分为5类：致密或点源（CS）、Fanaroff-Riley I型（FRI）、Fanaroff-Riley II型（FRII）、头尾源（HT）和核喷流源（CJ）。HeTu-v2已使用来自Faint Images of the Radio Sky at Twenty-one centimeters（FIRST）的数据进行训练与验证。我们发现HeTu-v2具有高精度，其平均精度均值（）为77.8%，分别比HeTu-v1和原始Mask R-CNN高15.6和11.3个百分点。我们使用HeTu-v2生成了FIRST形态星表（FIRST-HeTu），包含835,435个源，与FIRST巡天最新2014数据发布相比实现了98.6%的完备率和高达98.5%的准确率。HeTu-v2也可用于其他天文任务，如构建天空模型、关联射电源组件和分类射电星系。
关键词
引用
@article{arxiv.2306.01426,
title = {Radio Sources Segmentation and Classification with Deep Learning},
author = {Baoqiang Lao and Sumit Jaiswal and Zhen Zhao and Leping Lin and Junyi Wang and Xiaohui Sun and Shengli Qin},
journal= {arXiv preprint arXiv:2306.01426},
year = {2023}
}
备注
20 pages, 15 figures, Accepted by Astronomy and Computing