Towards Asteroid Detection in Microlensing Surveys with Deep Learning

要約

小惑星は、ほとんどの天文調査で消えない部分ですが、それらの検出に専念している調査はごくわずかです。
何年にもわたって、ハイケイデンスのマイクロレンズ調査は、主に銀河バルジとマゼラン雲をスキャンしてマイクロレンズ イベントをスキャンしながら、数テラバイトのデータを蓄積してきたため、科学データ マイニングの機会の宝庫を提供しています。
特に、選択し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ます。
この論文では、MOA プロジェクトによって収集されたマイクロレンズ データから小惑星を復元および発見するための、深層学習ベースの新しいソリューションを紹介します。
小惑星のトラックレットは、特定の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知らせます。
これらの合成画像内で既知の小惑星が特定され、教師あり学習に必要なラベル付きデータセットの作成に使用されました。
小惑星の軌道を持つ画像を識別するために、いくつかのカスタム CNN モデルが開発されました。
次に、モデルのアンサンブルを使用して、予測の分散を減らし、一般化エラーを改善し、97.67% の再現率を達成しました。
さらに、YOLOv4 オブジェクト検出器は、小惑星のトラックレットをローカライズするようにトレーニングされ、90.97% の平均平均精度 (mAP) を達成しました。
これらの訓練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、長年にわたる調査で観測された既知および未知の小惑星の両方を見つけます。
開発された方法論は、小惑星の回収と発見のための他の調査での使用に適応させることができます。

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, Google