利用深度学习进行天文调查的检测、实例分割和分类（DeepDISC）：Detectron2 实现与超级广角相机数据展示
摘要：超级广角深度天文调查的下一代将通过2020年代及其以后提供大量图像。随着观测的灵敏度和深度的增加，将会检测到更多混合源。这个现象可能导致测量偏差，影响关键的天文推断。我们使用Facebook AI研究的Detectron2软件库中提供的新的深度学习模型，在Hyper Suprime-Cam (HSC)的大型多波段合并图上同时执行目标识别、解混和分类的任务。我们使用现有的检测/解混代码和分类方法来训练一套深度神经网络，包括最先进的transformers。经过训练后，我们发现transformers的性能超越了传统的卷积神经网络，并且对不同对比度缩放更具有鲁棒性。transformers能够检测和解混与真实情况密切匹配的对象，实现了0.99的中位数边界框交并比。使用来自哈勃空间望远镜的高质量类标签，我们发现最佳网络能够在整个测试样本中以接近100\%的完整性和纯度对星系进行分类，并且在HSC i带的视星等达到25等时对恒星进行分类的完整性和纯度都在60\%和80\%以上。这个框架可以扩展到其他即将进行的深度调查，如空间和时间的遗产调查以及拥有罗马空间望远镜的调查，从而实现快速源检测和测量。我们的代码DeepDISC已在https://github.com/grantmerz/deepdisc上公开可用。
作者：G. M. Merz, Y. Liu, C. J. Burke, P. D. Aleo, X. Liu, M. C. Kind, V. Kindratenko, Y. Liu
论文ID：2307.05826
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-07-13