差异何在?卷积神经网络在无模板相减瞬变源探测中的潜力
计算机视觉与模式识别
2023-08-28 v3 天体物理仪器与方法
摘要
我们研究卷积神经网络(CNNs)在不需模板相减(或差分)图像的情况下实现天体物理瞬变源与图像伪影分离的潜力,该任务称为“真实-伪”分类,而模板相减图像需要昂贵的计算过程来生成,涉及大体积数据中小空间尺度上的图像匹配。利用暗能量巡天的数据,我们探索使用 CNN 来(1)自动化“真实-伪”分类,(2)降低瞬变源发现的计算成本。我们比较了两种相似架构 CNN 的效率,一种使用“图像三元组”(模板、搜索与差分图像),另一种仅以模板和搜索图像作为输入。我们度量了因输入信息丢失导致的效率下降,发现测试准确率从 96% 降至 91.1%。我们进一步通过探索显著图来研究后一模型如何从模板和搜索中学习所需信息。我们的工作(1)确认 CNN 是优秀的“真实-伪”分类模型,仅依赖成像数据且无需特征工程任务;(2)证明可构建无需构造差分图像的高精度(>90%)模型,但会损失部分准确率。由于神经网络一旦训练便能以极小计算成本生成预测,我们认为该方法未来的实现可通过对合成巡天(如 Rubin 天文台的时空遗产巡天)完全绕过差分图像分析,大幅降低瞬变源探测的计算成本。
引用
@article{arxiv.2203.07390,
title = {What's the Difference? The potential for Convolutional Neural Networks for transient detection without template subtraction},
author = {Tatiana Acero-Cuellar and Federica Bianco and Gregory Dobler and Masao Sako and Helen Qu and The LSST Dark Energy Science Collaboration},
journal= {arXiv preprint arXiv:2203.07390},
year = {2023}
}