挑战干涉成像：基于机器学习的uv平面观测下的源定位
摘要：从uv观测中直接快速有效地定位来源的可能性进行了首次研究，省去了恢复脏图像或干净图像的步骤。我们提出了一种基于深度神经网络的框架，其输入是采样的低维度向量，输出是天空上的源位置。我们通过实部和虚部以及幅度和相位组成的复数输入uv数据的表示进行了研究。我们将所提出的框架的效率与基于最新的Python Blob Detection and Source Finder (PyBDSF)方法的传统来源定位流程进行了比较。该研究是在使用Atacama Large Millimeter Array (ALMA) Cycle 5.3天线配置的Common Astronomy Software Applications (CASA)工具模拟的9164个天空模型数据集上进行的。我们研究了两种情况：（i）无噪声的理想情况和（ii）包括典型的外星系毫米观测噪声的天空模拟。在无噪声的情况下，所提出的定位框架表现出与最先进的PyBDSF方法相同的高性能。然而，对于嘈杂的数据，我们的新方法表现出显著更好的性能，在信噪比在1到10之间均匀的源方面，完成度提高了三倍，并且在低信噪比范围内完成度大幅增加。此外，相较于包括从uv平面重建图像和随后进行源检测的传统方法，所提出的框架的执行时间显著缩短（约减少30倍）。
作者：O. Taran, O. Bait, M. Dessauges-Zavadsky, T. Holotyak, D. Schaerer and S. Voloshynovskiy
论文ID：2305.03533
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-06-21