May, 2024

临时时间戳分类器：分类天文预警的短序列

PDF
TL;DR通过使用 Zwicky Transient Facility（ZTF）调查报告的警报，本研究提出了一种基于深度学习的天体对象分类模型。该模型通过使用每个警报中包含的戳图像和元数据以及 All-WISE 目录的特征作为输入，能够识别出三类天体对象：活跃星系核（AGN）、超新星（SNe）和变星（VS）。在 2 到 5 次检测时，该模型在测试集中的准确率约为 98%。通过对原始戳分类器模型进行结构改变和添加随机旋转，后者的性能得到了改善，在测试准确率上增加了 1.46%。
deep learningastronomical objectszwicky transient facilitystamp classifier modeltest accuracy
发现论文，激发创造
  • ALeRCE 经纪系统的警报分类：实时戳分类器

    本文介绍了基于卷积神经网络的实时邮戳分类器，用于 ALERCE 代理商的天文事件分类。使用科学、参考和差异图像以及警报元数据作为特征，可将活动星系核、超新星、变量星、小行星和假分类正确分类。同时，作者还设计并部署了可以显示有关每个可能超新星的相关信息的可视化工具 SN Hunter，该工具可用于报告 ZTF 警报流中的超新星候选对象，有助于快速警报分类，为大型望远镜的下一代提供了重要的里程碑。

    Aug, 2020

  • 使用卷积关注（ConvEntion）进行天文图像时间序列分类

    本文提出了一种基于深度学习的新方法 ConvEntion，它利用天文图像时间序列中的时空特征对不同类型的天文空间物体进行直接分类，相较于其他基于图像时间序列及光度曲线的方法，该方法取得了 13% 至 12% 的准确率提升。

    Apr, 2023

  • 用卷积神经网络（CNN）方法对超新星时间序列进行分类

    利用卷积神经网络方法，通过观测亮度数据，识别显著对象 —— 超新星的时间序列，并通过高斯过程回归平滑波长时间方向，实现了对全周期和截断型超新星的回顾性和实时分类。

    Jul, 2022

  • 从实时多元时间序列预测天文突发事件的年龄

    用贝叶斯概率循环神经网络，我们首次提出了一种实时预测多波长时间序列观测中暂时物体年龄的方法。这项工作对我们理解正在进行和即将进行的天体巡天所探测到的大量年轻暂时物体的进展至关重要。

    Nov, 2023

  • 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

  • RAPID: 基于深度学习的爆炸式瞬变早期分类

    RAPID 是一个用于时间序列分类的深度递归神经网络工具，可自动从初始警报的一天内到完整光度曲线的整个生命周期内识别瞬变现象，并且无需从数据中提取计算量昂贵的特征，因此非常适合处理 ZTF 和 LSST 等广域巡天发现的数百万警报。

    Mar, 2019

  • Avocado: 借助高斯过程增强光度分类天文新现象

    采用高斯过程回归对～LSST~ 发现的新天文现象的光变曲线进行预测，利用增强型决策树分类器实现光度学分类，降低了光谱训练集偏差对分类器的影响。

    Jul, 2019

  • 使用人工和机器综合分类的短暂搜索

    该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

    Jul, 2017

  • 在天巡成像时代自动发现和分类瞬变和变星

    基于机器学习算法，自动发现具有变化的天空中的实体并进行科学分类的框架，适用于 Palomar 短暂工厂（PTF）调查和其他现代综合成像调查，最近一年的自主操作已导致几个重大的科学结果。

    Jun, 2011

  • 利用机器学习进行光度超新星分类

    本研究利用机器学习算法实现了基于光度测量的新型超新星分类方法，探讨了不同特征提取方法与机器学习算法的组合方式，并使用模拟光度曲线数据进行测试，发现了一种不需要紅移信息的新方法。

    Mar, 2016