XAMI — A Benchmark Dataset for Artefact Detection in XMM-Newton Optical Images

要約

反射光または散乱光は、天体観測にアーチファクトを生成し、科学研究に悪影響を与える可能性があります。
したがって、これらのアーティファクトの自動検出は、特に収集されるデータの量が増加する場合に非常に有益です。
機械学習手法はこの問題に適していますが、現在、天体観測でアーティファクトを検出するためのこのようなアプローチを訓練するための注釈付きデータが不足しています。
この研究では、XMM ニュートン宇宙望遠鏡の光学監視カメラからの、さまざまな種類のアーティファクトを示す画像のデータセットを紹介します。
私たちは、自動 ML メソッドのトレーニングに使用するアーティファクトを含む 1,000 枚の画像のサンプルに手作業でアノテーションを付けました。
さらに、インスタンスのセグメンテーションを使用してアーティファクトを正確に検出およびマスキングするために調整された手法を実証します。
私たちは、畳み込みニューラル ネットワーク (CNN) とトランスフォーマー ベースのモデルの両方からの知識を組み合わせたハイブリッド アプローチを採用し、それらの利点をセグメンテーションに利用します。
提示された方法とデータセットは、再現可能なベースラインを提供することで、天体観測におけるアーティファクトの検出を前進させます。
すべてのコードとデータは利用可能です (https://github.com/ESA-Datalabs/XAMI-model および https://github.com/ESA-Datalabs/XAMI-dataset)。

要約(オリジナル)

Reflected or scattered light produce artefacts in astronomical observations that can negatively impact the scientific study. Hence, automated detection of these artefacts is highly beneficial, especially with the increasing amounts of data gathered. Machine learning methods are well-suited to this problem, but currently there is a lack of annotated data to train such approaches to detect artefacts in astronomical observations. In this work, we present a dataset of images from the XMM-Newton space telescope Optical Monitoring camera showing different types of artefacts. We hand-annotated a sample of 1000 images with artefacts which we use to train automated ML methods. We further demonstrate techniques tailored for accurate detection and masking of artefacts using instance segmentation. We adopt a hybrid approach, combining knowledge from both convolutional neural networks (CNNs) and transformer-based models and use their advantages in segmentation. The presented method and dataset will advance artefact detection in astronomical observations by providing a reproducible baseline. All code and data are made available (https://github.com/ESA-Datalabs/XAMI-model and https://github.com/ESA-Datalabs/XAMI-dataset).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google