[論文レビュー] Automated Lensing Learner - I: An Automated Strong Lensing Identification Pipeline

Camille Avestruz, Nan Li+3 more|arXiv (Cornell University)|Apr 7, 2017

Adaptive optics and wavefront sensing被引用数 1

ひとこと要約

本論文では、Hubble Space Telescope (HST) および LSST に類似した模擬データを用いてトレーニングされた、エッジパターン抽出のための方向勾配のヒストグラム（HOG）と、教師あり分類器を組み合わせた、自動化された強力なレインズリング識別パイプラインを提示する。HST に類似した観測では AUC 0.975、10年分の LSST シミュレーションでは AUC 0.809 を達成し、大規模なトレーニングデータセットに伴い性能が向上するという優れた性能を示している。

ABSTRACT

Forthcoming surveys such as the Large Synoptic Survey Telescope (LSST) and Euclid necessitate automatic and efficient identification methods of strong lensing systems. We present a strong lensing identification approach that utilizes a feature extraction method from computer vision, the Histogram of Oriented Gradients (HOG), to capture edge patterns of arcs. We train a supervised classifier model on the HOG of mock strong galaxy-galaxy lens images similar to observations from the Hubble Space Telescope (HST) and LSST. We assess model performance with the area under the curve (AUC) of a Receiver Operating Characteristic (ROC) curve. Models trained on 10,000 lens and non-lens containing images images exhibit an AUC of 0.975 for an HST-like sample, 0.625 for one exposure of LSST, and 0.809 for 10-year mock LSST observations. Performance appears to continually improve with the training set size. Models trained on fewer images perform better in absence of the lens galaxy light. However, with larger training data sets, information from the lens galaxy actually improves model performance, indicating that HOG captures much of the morphological complexity of the arc finding problem. We test our classifier on data from the Sloan Lens ACS Survey and find that small scale image features reduces the efficiency of our trained model. However, these preliminary tests indicate that some parameterizations of HOG can compensate for differences between observed mock data. One example best-case parameterization results in an AUC of 0.6 in the F814 filter image with other parameterization results equivalent to random performance.

研究の動機と目的

• LSST や Euclid のような今後の大型スケール調査において、強力なレインズリングシステムを自動的かつ効率的に同定する手法を開発すること。
• 今後の調査で想定される膨大なデータセットに対して、手動でのレンズ検出が現実的でないという課題に対処すること。
• 強力なレインズリング識別のため、HOGベースの特徴抽出法と教師あり学習を組み合わせた手法の性能を評価すること。
• レンズ銀河の光とトレーニングデータセットのサイズが、アーク様の特徴を検出する際のモデル性能に与える影響を評価すること。
• Sloan Lens ACS 調査からの実観測データを用いて、モデルの汎用性と画像解像度やノイズに起因する性能低下を評価すること。

提案手法

• 本手法は、強力なレインズリングアーチの形態的特徴を捉えるために、画像からエッジパターンを抽出するための方向勾配のヒストグラム（HOG）を採用する。
• Hubble Space Telescope (HST) および LSST 観測を模擬した 10,000 枚のレンズおよび非レンズの模擬画像から抽出された HOG 特徴量を用いて、教師あり分類器をトレーニングする。
• AUC（受信者操作特性曲線下の面積）を用いてモデル性能を評価し、HST に類似したデータ、1回露光分の LSST、10年分の LSST の模擬データのそれぞれについて別々に評価する。
• トレーニングデータにレンズ銀河の光を含めるか否かを比較することで、レンズ銀河の光がモデル性能に与える影響を分析する。
• 模擬データと実データの差に強く対応できるように、HOGのパラメータ設定のハイパーパramータチューニングを実施する。
• トレーニング済みモデルをSloan Lens ACS 調査の実データに適用し、汎用性と画像解像度・ノイズに起因する性能低下を評価する。

実験結果

リサーチクエスチョン

• RQ1 HOGベースの特徴抽出と教師あり学習を組み合わせることで、模擬的および実際の画像データにおいて強力なレインズリングシステムを効果的に同定できるか？
• RQ2 トレーニングデータにレンズ銀河の光を含めることで、モデルのアーク検出能力にどのような影響が生じるか？
• RQ3 LSST に類似したデータにおいてモデルの性能はどの程度か？露光時間の延長と信号対雑音比の向上に伴い、性能はどのように変化するか？
• RQ4 実観測データに小スケールの特徴が含まれる場合に、HOGのパラメータ設定をどの程度最適化すれば、性能低下を低減できるか？
• RQ5 より大きなトレーニングデータセットを用いることで、モデルの性能は向上するか？もしそうならば、その向上の程度はどのようになるか？

主な発見

• HST に類似した模擬データでは、AUC 0.975 を達成し、強力なレインズリングシステムの同定精度が非常に高いことが示された。
• LSST の1回露光分のデータでは、AUC 0.625 を達成し、信号対雑音比が低いにもかかわらず中程度の性能を示した。
• 10年分の LSST 模擬観測では、AUC 0.809 を達成し、より深いデータで顕著な性能向上が確認された。
• トレーニングデータセットのサイズが増加するにつれて、モデル性能が一貫して向上したため、今後の調査にスケーラブルであることが示された。
• データセットが大きい場合には、トレーニングデータにレンズ銀河の光を含めることで性能が向上した。これは、HOG が形態的複雑性を効果的に捉えられることを示している。
• 実際のSloan Lens ACS 調査データでは、小スケールの画像特徴に起因して性能が低下したが、最良のHOGパラメータ設定を用いることでAUC 0.6を達成し、部分的な汎用性が示された。