Towards Asteroid Detection in Microlensing Surveys with Deep Learning

要約

小惑星は、ほとんどの天体探査において忘れられない存在ですが、その検出に特化した探査はごくわずかです。長年にわたる高ケイデンスのマイクロレンズ探査は、主に銀河系バルジとマゼラン雲のマイクロレンズ現象を走査しながら、数テラバイトのデータを蓄積しており、科学的データマイニングの宝庫となっている。特に、選択された画像の目視検査によって、多数の小惑星が観測されている。本論文では、MOAプロジェクトによって集められたマイクロレンズデータから小惑星を復元・発見するための、ディープラーニングに基づく新しいソリューションを紹介する。小惑星のトラックレットは、ある夜のすべての観測を組み合わせることで明確に見ることができ、これらのトラックレットはデータセットの構造を通知する。既知の小惑星はこれらの合成画像内で識別され、教師あり学習に必要なラベル付きデータセットを作成するために使用されました。小惑星のトラックレットを持つ画像を識別するために、いくつかのカスタムCNNモデルが開発された。そして、予測値の分散を減らし、汎化誤差を改善するためにモデルアンサンブルを採用し、97.67%の再現率を達成しました。さらに、YOLOv4の物体検出器を学習させ、小惑星のトラックレットを検出し、平均平均精度（mAP）90.97%を達成しました。これらの学習されたネットワークは、16年間のMOAアーカイブデータに適用され、長年にわたってサーベイで観測された既知および未知の小惑星を発見する予定です。開発された手法は、他のサーベイでも小惑星の回収や発見に応用することができます。

要約(オリジナル)

Asteroids are an indelible part of most astronomical surveys though only a few surveys are dedicated to their detection. Over the years, high cadence microlensing surveys have amassed several terabytes of data while scanning primarily the Galactic Bulge and Magellanic Clouds for microlensing events and thus provide a treasure trove of opportunities for scientific data mining. In particular, numerous asteroids have been observed by visual inspection of selected images. This paper presents novel deep learning-based solutions for the recovery and discovery of asteroids in the microlensing data gathered by the MOA project. Asteroid tracklets can be clearly seen by combining all the observations on a given night and these tracklets inform the structure of the dataset. Known asteroids were identified within these composite images and used for creating the labelled datasets required for supervised learning. Several custom CNN models were developed to identify images with asteroid tracklets. Model ensembling was then employed to reduce the variance in the predictions as well as to improve the generalisation error, achieving a recall of 97.67%. Furthermore, the YOLOv4 object detector was trained to localize asteroid tracklets, achieving a mean Average Precision (mAP) of 90.97%. These trained networks will be applied to 16 years of MOA archival data to find both known and unknown asteroids that have been observed by the survey over the years. The methodologies developed can be adapted for use by other surveys for asteroid recovery and discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL