NA-SODINN: a deep learning algorithm for exoplanet image detection based on residual noise regimes

要約

教師あり深層学習は、角度差分イメージング (ADI) データセットにおける系外惑星検出用に設計された畳み込みニューラル ネットワークである SODINN アルゴリズムを通じて、最近ハイコントラスト イメージング (HCI) に導入されました。
系外惑星イメージング データ チャレンジ (EIDC) 内の HCI アルゴリズムのベンチマークでは、(i) SODINN は最終検出マップで多数の偽陽性を生成する可能性があり、(ii) より局所的な方法で画像を処理するアルゴリズムの方がパフォーマンスが優れていることが示されました。
この研究は、新しいローカル処理アプローチを導入し、それに応じて学習プロセスを適応させることにより、SODINN 検出パフォーマンスを向上させることを目的としています。
私たちは、畳み込みニューラル ネットワーク (CNN) に基づく新しい深層学習バイナリ分類器である NA-SODINN を提案します。これは、ノイズ領域を識別することで、ADI で処理されたフレーム内の画像ノイズ相関をより適切に捕捉します。
私たちの新しいアプローチは、VLT/SPHERE および Keck/NIRC-2 からの ADI シーケンスのローカル受信動作特性 (ROC) 解析を通じて、その前任者、2 つの SODINN ベースのハイブリッド モデル、およびより標準的な環状 PCA アプローチに対してテストされました。
楽器。
結果は、NA-SODINN が感度と特異性の両方において、特にスペックル主体のノイズ領域において SODINN を強化することを示しています。
NA-SODINN は、EIDC に提出された検出アルゴリズムの完全なセットに対してベンチマークも行われ、最終的な検出スコアが最も強力な検出アルゴリズムと一致するか、それを上回っていることが示されています。教師あり機械学習のケース全体を通じて、この研究では、次の重要性が示され、強化されています。
検出タスクを処理された画像のローカル コンテンツに適応させます。

要約(オリジナル)

Supervised deep learning was recently introduced in high-contrast imaging (HCI) through the SODINN algorithm, a convolutional neural network designed for exoplanet detection in angular differential imaging (ADI) datasets. The benchmarking of HCI algorithms within the Exoplanet Imaging Data Challenge (EIDC) showed that (i) SODINN can produce a high number of false positives in the final detection maps, and (ii) algorithms processing images in a more local manner perform better. This work aims to improve the SODINN detection performance by introducing new local processing approaches and adapting its learning process accordingly. We propose NA-SODINN, a new deep learning binary classifier based on a convolutional neural network (CNN) that better captures image noise correlations in ADI-processed frames by identifying noise regimes. Our new approach was tested against its predecessor, as well as two SODINN-based hybrid models and a more standard annular-PCA approach, through local receiving operating characteristics (ROC) analysis of ADI sequences from the VLT/SPHERE and Keck/NIRC-2 instruments. Results show that NA-SODINN enhances SODINN in both sensitivity and specificity, especially in the speckle-dominated noise regime. NA-SODINN is also benchmarked against the complete set of submitted detection algorithms in EIDC, in which we show that its final detection score matches or outperforms the most powerful detection algorithms.Throughout the supervised machine learning case, this study illustrates and reinforces the importance of adapting the task of detection to the local content of processed images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google