Combining multi-spectral data with statistical and deep-learning models for improved exoplanet detection in direct imaging at high contrast

要約

直接イメージングによる系外惑星の検出は困難な作業です。対象となる天体からの微弱な信号は、主星によって引き起こされる空間的に構造化された迷惑成分の下に埋もれてしまいます。
系外惑星の信号は、いくつかの観測結果と専用の検出アルゴリズムを組み合わせた場合にのみ識別できます。
既存の方法のほとんどとは対照的に、我々は迷惑物質の空間的、時間的、スペクトル的特性のモデルを観察から直接学習することを提案します。
前処理ステップでは、それらの相関関係の統計モデルがローカルに構築され、データが中心化されて白色化されて、定常性と信号対雑音比 (SNR) の両方が向上します。
次に、畳み込みニューラル ネットワーク (CNN) が教師あり形式でトレーニングされ、前処理された画像内の合成ソースの残留シグネチャが検出されます。
私たちの方法は、現場の標準的なアプローチよりも精度と再現率の間でより良いトレードオフをもたらします。
また、統計的フレームワークのみに基づいた最先端のアルゴリズムよりも優れたパフォーマンスを発揮します。
さらに、スペクトル ダイバーシティの活用により、時空間データのみから構築された同様のモデルと比較してパフォーマンスが向上します。

要約(オリジナル)

Exoplanet detection by direct imaging is a difficult task: the faint signals from the objects of interest are buried under a spatially structured nuisance component induced by the host star. The exoplanet signals can only be identified when combining several observations with dedicated detection algorithms. In contrast to most of existing methods, we propose to learn a model of the spatial, temporal and spectral characteristics of the nuisance, directly from the observations. In a pre-processing step, a statistical model of their correlations is built locally, and the data are centered and whitened to improve both their stationarity and signal-to-noise ratio (SNR). A convolutional neural network (CNN) is then trained in a supervised fashion to detect the residual signature of synthetic sources in the pre-processed images. Our method leads to a better trade-off between precision and recall than standard approaches in the field. It also outperforms a state-of-the-art algorithm based solely on a statistical framework. Besides, the exploitation of the spectral diversity improves the performance compared to a similar model built solely from spatio-temporal data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google