[論文レビュー] Machine Vision and Deep Learning for Classification of Radio SETI Signals

G. R. Harp, Jon Richards+9 more|arXiv (Cornell University)|Feb 6, 2019

Space Science and Extraterrestrial Life被引用数 10

ひとこと要約

本論文は、スペクトログラムを画像として扱い、マシンビジョンおよびディープラーニング技術を適用することで、無線SETI信号の分類のための新規アプローチを提案する。実際のAllen Telescope Arrayのデータとシミュレートされた信号を用いて、高い精度と低い誤検出率を達成しており、ワイド残差ニューラルネットワーク（W-ResNet）は、非パrametric分類タスクにおいて従来の特徴ベース手法を上回った。

ABSTRACT

We apply classical machine vision and machine deep learning methods to prototype signal classifiers for the search for extraterrestrial intelligence. Our novel approach uses two-dimensional spectrograms of measured and simulated radio signals bearing the imprint of a technological origin. The studies are performed using archived narrow-band signal data captured from real-time SETI observations with the Allen Telescope Array and a set of digitally simulated signals designed to mimic real observed signals. By treating the 2D spectrogram as an image, we show that high quality parametric and non-parametric classifiers based on automated visual analysis can achieve high levels of discrimination and accuracy, as well as low false-positive rates. The (real) archived data were subjected to numerous feature-extraction algorithms based on the vertical and horizontal image moments and Huff transforms to simulate feature rotation. The most successful algorithm used a two-step process where the image was first filtered with a rotation, scale and shift-invariant affine transform followed by a simple correlation with a previously defined set of labeled prototype examples. The real data often contained multiple signals and signal ghosts, so we performed our non-parametric evaluation using a simpler and more controlled dataset produced by simulation of complex-valued voltage data with properties similar to the observed prototypes. The most successful non-parametric classifier employed a wide residual (convolutional) neural network based on pre-existing classifiers in current use for object detection in ordinary photographs. These results are relevant to a wide variety of research domains that already employ spectrogram analysis from time-domain astronomy to observations of earthquakes to animal vocalization analysis.

研究の動機と目的

• マシンビジョンおよびディープラーニングを用いて、地球外知的生命体の探索（SETI）のための自動信号分類器を開発すること。
• 実際の狭帯域無線信号およびシミュレートされた信号に対して、パラメトリックおよび非パラメトリック分類器の性能を評価すること。
• スペクトログラムの画像ベース分析を活用することで、SETI信号検出における誤検出率を低減すること。
• 複雑なマルチシグナル無線データの分類において、従来の特徴抽出手法と現代のディープラーニングモデルを比較すること。
• これらの手法がSETIを越えて、時間領域天文学やバイオアコースティクスなどに応用可能であることを示すこと。

提案手法

• 実際の無線信号およびシミュレートされた信号のスペクトログラムを、分析のための2次元画像として扱う。
• 古典的なマシンビジョン技術を適用し、縦方向および横方向の画像モーメント、およびハフ変換を用いて特徴の回転を模倣する。
• 2段階の分類器は、アフィン変換を用いて回転、スケール、シフト不変性を実現し、その後、ラベル付きのプロトタイプ例との相関を計算する。
• 複素数値の電圧データからなるシミュレートされたデータセット上で、ワイド残差ニューラルネットワーク（W-ResNet）を学習させる。
• 非パラメトリック分類器は、実世界の信号汚染の影響を分離するため、制御された単純化されたデータセット上で評価される。
• 特徴抽出および分類パイプラインは、複数の重複する信号および信号のゴーストを含むアーカイブ済みAllen Telescope Arrayデータ上でテストされた。

実験結果

リサーチクエスチョン

• RQ1 無線信号のスペクトログラムは、マシンビジョンおよびディープラーニング技術を用いて効果的に分類可能だろうか？
• RQ2 ノイズの多い無線データにおいて、従来の特徴ベース分類器とディープラーニングモデルは、技術的兆候の検出においてどのように比較されるか？
• RQ3 ディープラーニングモデルは、SETI信号分類において、どの程度高い精度と低い誤検出率を達成できるか？
• RQ4 重複する信号やアーチファクトを含む実世界データに対して、これらのモデルはどの程度一般化性能を示すか？
• RQ5 アフィン変換や特徴の回転模倣といったデータ前処理の影響は、分類器の性能にどのように及ぶか？

主な発見

• アフィン変換とプロトタイプ相関を用いた2段階分類器は、実データにおいて高い識別力と精度、低い誤検出率を達成した。
• ワイド残差ニューラルネットワーク（W-ResNet）は、制御された単純化されたシミュレートデータセットにおいて、従来の特徴ベース手法を上回った。
• スペクトログラムを画像として扱うことで、実際のSETI観測で一般的な複雑なマルチシグナル環境の効果的な検出が可能になった。
• 画像モーメントおよびハフ変換に基づく特徴抽出は、回転不変性を効果的に模倣し、分類器の頑健性を向上させた。
• 画像データで学習されたディープラーニングモデルの高い汎用性が、無線信号分類に示された。
• 本アプローチは、地震学や動物の発声研究を含む、スペクトログラム分析を含む他の分野に対しても広く応用可能である。