[論文レビュー] Probabilistic segmentation of overlapping galaxies for large cosmological surveys

Bretonnière Hubert, A. Boucaud+1 more|arXiv (Cornell University)|Nov 30, 2021

Machine Learning and Data Classification被引用数 5

ひとこと要約

本論文は、大規模な光度赤方偏移調査における銀河の重ね合わせ解除のための確率的U-Netモデルを提案し、重み付きDice損失と潜在空間サンプリングを用いて、1つの真値アノテーションでの学習にもかかわらず画素単位の不確実性推定を可能にした。この手法は、重ね合わせた銀河に対して高い完全性（87.3％）と純度（93.6％）を達成するとともに、明るさに応じて不確実性が増加する物理的に意味のある不確実性マップを生成し、精密宇宙論における誤差伝搬を強固にする。

ABSTRACT

Encoder-Decoder networks such as U-Nets have been applied successfully in a wide range of computer vision tasks, especially for image segmentation of different flavours across different fields. Nevertheless, most applications lack of a satisfying quantification of the uncertainty of the prediction. Yet, a well calibrated segmentation uncertainty can be a key element for scientific applications such as precision cosmology. In this on-going work, we explore the use of the probabilistic version of the U-Net, recently proposed by Kohl et al (2018), and adapt it to automate the segmentation of galaxies for large photometric surveys. We focus especially on the probabilistic segmentation of overlapping galaxies, also known as blending. We show that, even when training with a single ground truth per input sample, the model manages to properly capture a pixel-wise uncertainty on the segmentation map. Such uncertainty can then be propagated further down the analysis of the galaxy properties. To our knowledge, this is the first time such an experiment is applied for galaxy deblending in astrophysics.

研究の動機と目的

• 今後の大規模宇宙論的調査（例：EuclidやLSST）における重なった銀河（ブレンド）の課題に対処すること。
• 精密宇宙論における誤差予算管理を支援するため、銀河セグメンテーションに校正された画素単位の不確実性推定を提供すること。
• 特に不均衡でSNRの低いデータに適応した、天文学的画像セグメンテーションに確率的U-Netアーキテクチャを適用すること。
• 1枚の画像に対して1つの真値アノテーションでの学習でも、不確実性を意味的に捉えることができることを示すこと。
• シミュレートされた光度赤方偏移フィールドにおける断片的・微弱な銀河の重ね合わせ解除を強固に可能にすること。

提案手法

• 銀河セグメンテーションにおけるクラス不均衡を扱うために、標準的な再構成損失の代わりに重み付きDice損失を採用した確率的U-Net（PUnet）アーキテクチャの変更。
• 二重エンコーダー構造を採用：入力画像用と真値セグメンテーション用の両方のエンコーダーが、ガウス潜在空間にマッピングされ、不確実性モデリングの正則化を図る。
• 推論時に潜在空間からの確率的サンプリングを実行し、セグメンテーションマップの実現50例を生成することで、画素単位の分散推定を可能にする。
• 最終的なソフトマックス出力に対してしきい値処理を適用し、二値セグメンテーションマップを生成し、重複領域は値2に割り当てる。
• 重み付きDice損失と潜在分布間のKullback–Leibler散発散の両方を含む損失関数を用いてモデルを学習。
• Sersicプロファイルを用いたシミュレートされた銀河フィールドから抽出した128×128の画像ステンプを処理し、三値セグメンテーションマップ（0: 背景、1: 孤立銀河、2: 重複領域）を用いる。

実験結果

リサーチクエスチョン

• RQ1 確率的ディープラーニングモデルは、大規模な光度赤方偏移調査における銀河セグメンテーションに対して、意味的で物理的根拠のある不確実性推定を生成できるか？
• RQ2 複数の専門家アノテーションが存在しないにもかかわらず、1枚の画像に対して1つの真値アノテーションでの学習でも、モデルは高いセグメンテーション性能（完全性と純度）を維持できるか？
• RQ3 モデルは断片的銀河を正しくセグメンテーションし、背景ノイズと区別できるか？
• RQ4 予測された不確実性は信号対ノイズ比および明るさと相関を示し、期待される物理的挙動を反映しているか？
• RQ5 特にセグメンテーションが曖昧な領域において、不確実性マップは重複領域に有用な情報を提供するか？

主な発見

• 孤立銀河に対しては99.1％の完全性と98.5％の純度を達成し、全明るさ範囲でIoUが0.8を超える。
• 重ね合わせ銀河に対しては87.3％の完全性と93.6％の純度を達成し、明るさが24より大きい微弱な対象に対してもIoUが0.55を超える。
• 予測された不確実性（50実現の標準偏差）は明るさに応じて増加し、より明るい源ほど不確実性が高くなる傾向を示し、特にフラックスが低い境界領域で最大値を示す。
• 定性的な例から、重複銀河を的確に特定・セグメンテーションし、重複領域に意味のある不確実性を示していることが確認された。
• 背景のみのステンプに対しても過剰セグメンテーションを起こさず、過去のモデルが失敗したケースでも良好に動作した。
• 不確実性マップは空間的に一貫しており、銀河の縁で分散が高く、中心部で分散が低いため、セグメンテーションの難易度に敏感であることが示された。