使用卷积神经网络分析 VERITAS μ子图像
天体物理仪器与方法
2017-06-14 v1
摘要
大气成像切伦科夫望远镜（IACTs）对稀有的γ射线光子敏感，而这些光子埋没于通量高出数个数量级的带电宇宙射线（CR）粒子背景之中。区分γ射线与CR粒子的能力至关重要，因为它直接关系到仪器的灵敏度。IACT数据分析中的这一γ射线/CR粒子分类问题可以借助快速发展的机器学习算法来解决，这些算法有潜力超越基于图像参数的传统盒截断法。我们展示了使用以原始图像作为输入特征的卷积神经网络模型，对一小部分μ子事件进行精确分类的初步结果。我们还展示了将卷积神经网络模型用于回归问题的可能性，例如μ子事件的半径和亮度测量，这可用于校准IACTs的吞吐效率。
引用
@article{arxiv.1611.09832,
title = {The analysis of VERITAS muon images using convolutional neural networks},
author = {Qi Feng and Tony T. Y. Lin},
journal= {arXiv preprint arXiv:1611.09832},
year = {2017}
}
备注
6 pages, 4 figures, conference proceeding for the IAU symposium 325 on Astroinformatics