使用改进的Faster R-CNN从SDSS图像中检测L矮星
摘要：用基于深度学习的改进Faster R-CNN框架的数据驱动方法自动检测Sloan Digital Sky Survey（SDSS）图像中的L矮星。建立的L矮星自动检测（LDAD）模型通过学习包含L矮星的387张SDSS图像的特征，将L矮星与其他天体和背景在SDSS场图像中区分开来。将LDAD模型应用于包含93个标记的L矮星的SDSS图像的测试集中，成功检测到83个已知的L矮星，其已知L矮星的召回率为89.25\%。在LDAD模型中实施了几种技术来提高其对L矮星的检测性能，包括深度残差网络和特征金字塔网络。结果表明，LDAD模型优于原始Faster R-CNN模型，其对已知L矮星的召回率为80.65\%。将LDAD模型应用于包括843个标记的L矮星的更大验证集中，其对已知L矮星的召回率为94.42\%。新发现的候选对象包括L矮星、晚期M型和T型矮星，这些候选对象是通过颜色（i-z）和光谱类型关系进行估计的。测试候选对象和验证候选对象的污染率分别为8.60\%和9.27\%。检测结果表明，我们的模型能够有效地从天文图像中搜索L矮星。
作者：Zhi Cao, Zhenping Yi, Jingchang Pan, Hao Su, Yude Bu, Xiao Kong, and Ali Luo
论文ID：2303.01836
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-04-12