What’s the Difference? The potential for Convolutional Neural Networks for transient detection without template subtraction

要約

私たちは、畳み込みニューラル ネットワーク (CNN) が画像アーティファクトから天体物理的過渡現象を分離できる可能性に関する研究を紹介します。このタスクは、計算コストのかかるプロセスを必要とするテンプレート減算 (または差分) 画像を必要とせずに、「本物の偽」分類として知られるタスクです。
大量のデータ内の小さな空間スケールでの画像マッチングを伴う生成。
Dark Energy Survey のデータを使用して、(1) 「本物と偽物」の分類を自動化し、(2) 一時的な発見にかかる計算コストを削減するための CNN の使用を検討します。
同様のアーキテクチャを持つ 2 つの CNN の効率を比較します。1 つは「画像トリプレット」(テンプレート、検索、および差分画像) を使用するもの、もう 1 つは入力としてテンプレートと検索のみを使用するものです。
入力情報の損失に伴う効率の低下を測定すると、テスト精度が 96% から 91.1% に低下することがわかりました。
さらに、後者のモデルがテンプレートから必要な情報をどのように学習し、顕著性マップを探索することで検索するかを調査します。
私たちの研究 (1) CNN は、画像データのみに依存し、特徴エンジニアリング作業を必要としない「本物か偽物」分類のための優れたモデルであることが確認されています。
(2) は、差分画像を構築する必要なしに高精度 (> 90%) モデルを構築できることを示していますが、ある程度の精度は失われます。
一度トレーニングされたニューラル ネットワークは最小限の計算コストで予測を生成できるため、この方法論を将来実装すると、差分画像をバイパスすることにより、ルービン天文台のレガシー時空調査のような概観調査における過渡状態の検出における計算コストを大幅に削減できる可能性があると主張します。
完全に分析。

要約(オリジナル)

We present a study of the potential for Convolutional Neural Networks (CNNs) to enable separation of astrophysical transients from image artifacts, a task known as ‘real-bogus’ classification without requiring a template subtracted (or difference) image which requires a computationally expensive process to generate, involving image matching on small spatial scales in large volumes of data. Using data from the Dark Energy Survey, we explore the use of CNNs to (1) automate the ‘real-bogus’ classification, (2) reduce the computational costs of transient discovery. We compare the efficiency of two CNNs with similar architectures, one that uses ‘image triplets’ (templates, search, and difference image) and one that takes as input the template and search only. We measure the decrease in efficiency associated with the loss of information in input finding that the testing accuracy is reduced from 96% to 91.1%. We further investigate how the latter model learns the required information from the template and search by exploring the saliency maps. Our work (1) confirms that CNNs are excellent models for ‘real-bogus’ classification that rely exclusively on the imaging data and require no feature engineering task; (2) demonstrates that high-accuracy (> 90%) models can be built without the need to construct difference images, but some accuracy is lost. Since once trained, neural networks can generate predictions at minimal computational costs, we argue that future implementations of this methodology could dramatically reduce the computational costs in the detection of transients in synoptic surveys like Rubin Observatory’s Legacy Survey of Space and Time by bypassing the Difference Image Analysis entirely.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google