YOLO-CIANNA：基于深度学习的射电数据星系检测：II. 使用广义 3D-YOLO 网络在 SKA SDC2 中获胜
星系天体物理
2026-03-18 v2 天体物理仪器与方法
摘要
随着对 Square Kilometre Array (SKA) 的科学开发逼近，新的先进数据分析和可视化工具的需求日益迫切，这些工具能够处理大规模高维数据集。本研究旨在将 YOLO-CIANNA 深度学习源检测和表征方法推广至 3D 高光谱 HI 发射立方体。我们描述了对基于回归的检测 formalism 所做的改编以及构建的端到端 3D 卷积神经网络 (CNN) 骨干网络。随后我们描述了将该方法应用于来自 Square Kilometre Array 观察科学数据挑战2 (SDC2) 数据集的模拟 3D HI 立方体的处理流程。YOLO-CIANNA 方法最初由 MINERVA 团队开发并用于，该团队赢得了官方 SDC2 比赛。尽管 SDC2 数据集的完整版本已公开发布，但尚无任何已发布结果超越 MINERVA 的最高分。本文我们 presenting 一个更新版本的方法，通过改进我们的挑战得分提升了 9.5%。 resulting catalog exhibits 高检测纯度 92.3%，实现了最佳的表征准确性，并且包含比并行经典检测工具多出 45% 的已确认源。该方法也计算效率高，在单块 GPU 上仅用 30 分钟即可处理整个约 1TB SDC2 数据立方体。这些领先的结果凸显了 3D CNN 基检测器处理大规模高光谱数据立方体的有效性，并为将 YOLO-CIANNA 应用于来自 SKA 及其前身的观测数据表示了有前景的一步。
引用
@article{arxiv.2509.12082,
title = {YOLO-CIANNA: Galaxy detection with deep learning in radio data: II. Winning the SKA SDC2 using a generalized 3D-YOLO network},
author = {D. Cornu and B. Semelin and P. Salomé and X. Lu and S. Aicardi and J. Freundlich and F. Mertens and A. Marchal and G. Sainton and F. Combes and C. Tasse},
journal= {arXiv preprint arXiv:2509.12082},
year = {2026}
}
备注
18 pages