基于变换的天文图像深度异常检测
计算机视觉与模式识别
2020-05-19 v1 天体物理仪器与方法
摘要
在这项工作中，我们提出了对基于几何变换的图像异常检测模型（GeoTranform）的若干增强。该模型假设异常类别未知且仅有内点样本可用于训练。我们引入了基于滤波器的新型变换，有助于检测天文图像中的异常，其通过突出伪影特性使伪影与真实天体更易区分。此外，我们提出了一种变换选择策略，可找到不可区分的变换对。这带来了接收者操作特征曲线下面积（AUROC）和准确率性能的提升，以及维度约简。模型在来自高节奏暂现源巡天（HiTS）和 Zwicky 暂现源设施（ZTF）数据集的天文图像上进行了测试。最佳模型在 HiTS 上获得平均 AUROC 99.20%，在 ZTF 上获得 91.39%。相较于原始 GeoTransform 算法以及单类支持向量机等基线方法和基于深度学习的方法，改进在统计上和实践中均显著。
引用
@article{arxiv.2005.07779,
title = {Transformation Based Deep Anomaly Detection in Astronomical Images},
author = {Esteban Reyes and Pablo A. Estévez},
journal= {arXiv preprint arXiv:2005.07779},
year = {2020}
}
备注
8 pages, 6 figures, 4 tables. Accepted for publication in proceedings of the IEEE World Congress on Computational Intelligence (IEEE WCCI), Glasgow, UK, 19-24 July, 2020