基于深度神经网络的宽视场小口径望远镜光度学与星表定位框架

MMJun, 2021

基于深度神经网络的宽视场小口径望远镜光度学与星表定位框架

The Deep Neural Network based Photometry and Astrometry Framework for Wide Field Small Aperture Telescopes

Peng Jia, Yongyang Sun, Zhimin Yang, Rui Sun, Qiang Liu

TL;DR本文扩展了基于深度神经网络的天文目标检测算法的能力以适用于光度学和星位学，并提出了使用迁移学习策略来训练神经网络的方法以减少算法中的认知不确定性。该算法可在 0.125 秒内处理一幅图像并以高精度获得天体对象的类型，位置和大小，可用于增强 WFSATs 的响应速度和检测能力以便探测域内天文事件。

Abstract

wide field small aperture telescopes (WFSATs) are preferable observation instruments for time domain astronomy, because they could obtain images of celestial objects with high cadence in a cost-effective way. An

wide field small aperture telescopes time domain astronomy automatic data processing algorithm deep neural network transfer learning strategy

发现论文，激发创造

宽视场小口径望远镜中深度神经网络探测和分类天文目标

本文提出一种基于深度神经网络的天文目标检测和分类框架，通过应用 Faster R-CNN 概念及使用修改的 Resnet-50 作为骨干网络和一个特征金字塔网络来提取不同天文目标的图像特征，以提高框架的泛化能力。通过模拟和真实观测图像来训练神经网络，实现天体目标的自动检测和分类，并可以部署在 Nvidia Jetson Xavier 等嵌入式设备上进行实时检测和分类。

Feb, 2020

运用宽视场小口径望远镜的智能观测方法进行实时瞬变检测

本文提出 ARGUS（统一望远镜天文目标检测框架）用于实时过境检测，采用基于深度学习的天文探测算法，将天文目标的位置和概率发送到经过训练的集成学习算法中，通过与星表匹配获取瞬变事件的类型和位置，在模拟数据上测试表明 ARGUS 可以显著提高 WFSATs 在瞬变检测任务中的性能。

Nov, 2020

使用神经网络在小口径广视场望远镜中进行光学瞬变天体分类

本文提出了两种基于神经网络的瞬变分类方法，并通过对真实观测数据的测试发现，这两种方法均可以达到超过 94％的分类准确度，但它们对于不同目标具有不同的分类特性。基于这一结果，我们建议使用集成学习方法进一步提高分类准确性至超过 97％。

Apr, 2019

利用深度神经网络实现实时多通道天体物理学

本文介绍了 Deep Filtering，一种新的高度可扩展的方法，用于端到端时序信号处理，并展示其在检测和参数估计引力波方面的应用，取得了比传统机器学习技术更好的性能，同时速度快得多，使得实时处理原始大数据变得更容易。

Dec, 2016

广域成像技术一：神经网络在目标探测和星系分类中的应用

使用新的大型 CCD 探测器进行的天文学广域成像带来了前所未有的规模的数据降低问题，该论文提出了一种新的基于神经网络 (NN) 的包 NExt (神经提取器)，可以自动检测物体、执行混合成分消除和恒星 / 星系分类。