使用卷积神经网络筛选 GWAC 网络探测到的光学暂现源候选体
天体物理仪器与方法
2020-07-22 v1 高能天体物理现象
摘要
得益于天文学家所用观测技术与策略的快速演进，过去二十年中通过多种天体物理信使对暂现天空的观测带来了若干科学突破。如今，需要能够协调空间与地面仪器的多波长与多信使后随观测活动，这些仪器需共同具备以高成像节奏和占空比扫描天空大部分区域的能力。在光学领域，覆盖数十至数百平方度的大视场望远镜的关键挑战是在合理时间内每夜处理数百至数千个光学暂现源（OT）候选体的探测、识别与分类。过去十年中，基于机器学习方法的新型自动化工具被开发出来，以低计算时间和高分类效率执行这些任务。在本文中，我们提出一种使用卷积神经网络（CNN）的高效分类方法，以剔除光学天体图像中虚假探测的伪源。我们设计该工具旨在提升地面大视场角相机（GWAC）望远镜的 OT 探测流水线性能，GWAC 是一个机器人望远镜网络，旨在以 15 秒成像节奏监测暗至 R=16 的光学暂现天空。我们将训练好的 CNN 分类器应用于实时探测流水线探测到的 1472 个 GWAC OT 候选体样本。其分类性能良好，事件分类正确率达 94%，误报率为 4%。
引用
@article{arxiv.2001.03424,
title = {Vetting the optical transient candidates detected by the GWAC network using convolutional neural networks},
author = {Damien Turpin and M. Ganet and S. Antier and E. Bertin and L. P. Xin and N. Leroy and C. Wu and Y. Xu and X. H. Han and H. B. Cai and H. L. Li and X. M. Lu and J. Y. Wei},
journal= {arXiv preprint arXiv:2001.03424},
year = {2020}
}
备注
12 pages, 8 figures, 5 tables