基于深度神经网络实现太阳暗条分割
太阳与恒星天体物理
2019-12-06 v1 计算机视觉与模式识别
机器学习
摘要
我们使用一个著名的深度神经网络框架 Mask R-CNN，用于从大熊太阳天文台（BBSO）的全日面 H-alpha 图像中识别太阳暗条。从 BBSO 档案收集的图像数据，与从太阳物理事件知识库（HEK）系统检索到的暗条时空元数据相整合。该整合数据随后在模型训练过程中被视为真值。可用的空间元数据是由特征发现团队（Feature Finding Team，一个由 NASA 遴选的国际联盟）开发并维护的现行暗条探测模块的输出。尽管现有模块在暗条的识别与表征方面存在已知挑战，这些挑战进而被继承到任何意图从此类输出中学习的其他模块中，Mask R-CNN 仍展现出有前景的结果。该模型在两年量的 BBSO 数据上训练与验证，随后在接下来三年数据上测试。我们的逐例与整体分析表明，Mask R-CNN 能够明确地与现有模块竞争，并在某些情况下表现更优。我们也展示了若干被该模型正确分割的假阳性与假阴性案例。所提模型的整体优势有两方面：第一，深度神经网络的性能通常随标注数据增多或标注改善而提升。第二，此类模型可扩展用于探测其他太阳事件，以及作为单一多用途模块。本研究呈现的结果引入了利用深度神经网络探测太阳事件（尤其是暗条）益处的概念验证。
引用
@article{arxiv.1912.02743,
title = {Toward Filament Segmentation Using Deep Neural Networks},
author = {Azim Ahmadzadeh and Sushant S. Mahajan and Dustin J. Kempton and Rafal A. Angryk and Shihao Ji},
journal= {arXiv preprint arXiv:1912.02743},
year = {2019}
}
备注
10 pages, 10 figures, 1 table, accepted in IEEE BigData 2019