Cosmic-CoNN: A Cosmic Ray Detection Deep-Learning Framework, Dataset, and Toolkit

要約

宇宙線（CR）の除去はCCD撮影データの科学的解釈に不可欠であるが、単一露光画像におけるCRの検出は依然として困難であった。従来のCR検出器では、観測装置ごとに実験パラメータを調整する必要があり、最近のディープラーニング手法では、観測装置に特化したモデルしか生成できず、学習データに含まれていない望遠鏡では性能低下に悩まされる。本研究では、Las Cumbres Observatory（LCO）の24の望遠鏡に展開された汎用CR検出器であるCosmic-CoNNを紹介します。まず、LCOのグローバルな望遠鏡ネットワークからの何千もの画像を活用し、機器とCRの特徴を豊富にカバーする大規模で多様な地上ベースのCRデータセットを構築します。このモデルはLCOの撮像データに対して99.91%の真陽性検出率を達成し、Gemini GMOS-N/Sの未撮像データに対しては96.40%以上を維持し、偽陽性率は0.01%であった。また、対話的なCRマスクの可視化・編集インターフェース、コンソールコマンド、Python APIなどのツール群を構築し、自動的かつ堅牢なCR検出を天文学者のコミュニティが広く利用できるようにします。私たちのデータセット、オープンソースのコードベース、および学習済みモデルは、https://github.com/cy-xu/cosmic-conn で利用可能です。

要約(オリジナル)

Rejecting cosmic rays (CRs) is essential for the scientific interpretation of CCD-captured data, but detecting CRs in single-exposure images has remained challenging. Conventional CR detectors require experimental parameter tuning for different instruments, and recent deep learning methods only produce instrument-specific models that suffer from performance loss on telescopes not included in the training data. In this work, we present Cosmic-CoNN, a generic CR detector deployed for 24 telescopes at the Las Cumbres Observatory (LCO). We first leverage thousands of images from LCO’s global telescope network to build a large, diverse ground-based CR dataset for rich coverage of instruments and CR features. We then optimize a neural network and propose a novel Median-Weighted loss function for CR detection to train a generic model that achieves a 99.91% true-positive detection rate on LCO imaging data and maintains over 96.40% on unseen data from Gemini GMOS-N/S, with a false-positive rate of 0.01%. We also build a suite of tools including an interactive CR mask visualization and editing interface, console commands, and Python APIs to make automatic, robust CR detection widely accessible by the community of astronomers. Our dataset, open-source codebase, and trained models are available at https://github.com/cy-xu/cosmic-conn.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL