[논문 리뷰] Cosmic-CoNN: A Cosmic Ray Detection Deep-Learning Framework, Dataset, and Toolkit

Chengyuan Xu, C. McCully외 3명|arXiv (Cornell University)|2021. 06. 28.

Radiation Detection and Scintillator Technologies참고 문헌 9인용 수 5

한 줄 요약

Cosmic-CoNN는 다양한 지상 기반 천체망원경에서 단일 노출 천체 사진에서 강력하고 일반적인 우주선(CR) 탐지가 가능한 딥러닝 프레임워크이다. 중앙값 가중 손실 함수와 그룹 정규화를 도입함으로써 LCO 데이터에서 93.40%의 F1 스코어, 미사용된 Gemini 데이터에서 94.37%의 F1 스코어를 기록하며, 재학습 없이도 이전 모델들을 능가한다.

ABSTRACT

Rejecting cosmic rays (CRs) is essential for the scientific interpretation of CCD-captured data, but detecting CRs in single-exposure images has remained challenging. Conventional CR detectors require experimental parameter tuning for different instruments, and recent deep learning methods only produce instrument-specific models that suffer from performance loss on telescopes not included in the training data. We present Cosmic-CoNN, a generic CR detector deployed for 24 telescopes at the Las Cumbres Observatory, which is made possible by the three contributions in this work: 1) We build a large and diverse ground-based CR dataset leveraging thousands of images from a global telescope network. 2) We propose a novel loss function and a neural network optimized for telescope imaging data to train generic CR detection models. At 95% recall, our model achieves a precision of 93.70% on Las Cumbres imaging data and maintains a consistent performance on new ground-based instruments never used for training. Specifically, the Cosmic-CoNN model trained on the Las Cumbres CR dataset maintains high precisions of 92.03% and 96.69% on Gemini GMOS-N/S 1x1 and 2x2 binning images, respectively. 3) We build a suite of tools including an interactive CR mask visualization and editing interface, console commands, and Python APIs to make automatic, robust CR detection widely accessible by the community of astronomers. Our dataset, open-source codebase, and trained models are available at https://github.com/cy-xu/cosmic-conn.

연구 동기 및 목표

• 다중 노출 자료가 이용 불가한 경우에도 단일 노출 CCD 이미지에서 우주선을 탐지하는 문제를 해결한다.
• 기구 특화이거나 새로운 망원경에서 성능이 저하되는 기존 딥러닝 모델의 한계를 극복한다.
• 다양한 픽셀 스케일, 빈도, 이미징 조건을 가진 지상 기반 장비 간에 일반화 가능한 이식성 있는 CR 탐지 모델을 개발한다.
• 시각화, API, 명령줄 도구를 포함한 공개 가능한 툴킷을 구축하여 천문학 분야에서 광범위한 도입을 지원한다.
• 실제 관측 변동성을 반영하기 위해 라스 쿤브레스 관측소(Las Cumbres Observatory) 데이터에서 대규모이고 다양한 우주선 데이터셋을 구축하여 모델의 훈련 및 검증에 활용한다.

제안 방법

• 우주선 탐지에서의 클래스 불균형 문제를 해결하기 위해 중앙값 강도가 낮은 픽셀에 더 높은 손실 가중치를 할당하는 중앙값 가중 손실 함수를 제안하여 모델 수렴을 향상시킨다.
• 소규모 또는 변동성이 큰 배치 크기에서도 훈련 안정성과 효율성을 향상시키기 위해 U-Net 기반 신경망 아키텍처에 그룹 정규화(GN)를 통합한다.
• 공간적 맥락을 유지하기 위해 정렬된 이미지에서 1024×1024 픽셀 크기의 패치를 추출하여 다양한 형태와 크기의 우주선을 탐지한다.
• PyTorch를 사용해 엔드 투 엔드로 모델을 훈련시키며, 일반화 성능 향상을 위해 무작위 회전 및 반사 등의 데이터 증강 기법을 적용한다.
• 입력 패치 크기와 배치 크기를 조정하여 동일한 아키텍처를 분광학적 데이터(NRES)에 적용함으로써 이식 가능성과 다중 모odal 적용 가능성을 입증한다.
• deepCR와 같은 기준 모델과의 공정한 비교를 위해, 다양한 배치 크기에서 일관된 훈련 동작을 확보하기 위해 이중 단계 훈련 전략을 구현한다.

실험 결과

연구 질문

• RQ1 일부 지상 기반 망원경에서 훈련된 딥러닝 모델이 다른 픽셀 스케일, 빈도, 이미징 조건을 가진 새로운 장비에 효과적으로 일반화될 수 있는가?
• RQ2 매우 불균형한 우주선 탐지 작업에서 표준 교차 엔트로피 손실과 비교해 중앙값 가중 손실 함수가 모델 성능과 훈련 효율성에 어떤 영향을 미치는가?
• RQ3 우주선 이미징에서 흔히 발생하는 소규모 데이터 또는 변동 배치 크기 상황에서 그룹 정규화가 훈련 안정성과 수렴 속도를 얼마나 향상시키는가?
• RQ4 재학습 없이도 하나의 통합된 딥러닝 프레임워크가 이미징 및 분광학적 데이터 유형 모두에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ5 제안된 프레임워크는 LA Cosmic 및 deepCR과 같은 기존 방법들과 비교해 훈련 및 새로운 망원경 데이터에서 정확도와 효율성 면에서 어떻게 뛰어나게 되는가?

주요 결과

• Cosmic-CoNN 모델은 LCO 이미징 데이터에서 93.40%의 F1 스코어를 기록하여 기준 모델의 89.19%와 deepCR의 89.35%보다 뚜렷한 향상을 보였다.
• 미사용된 Gemini 망원경 데이터에서 Cosmic-CoNN는 1×1 빈도에서 86.80%의 F1 스코어, 2×2 빈도에서 94.37%의 F1 스코어를 기록하며, 모든 기준 및 변형 모델을 능가했다.
• 중앙값 가중 손실 함수 도입으로 훈련 에포크 수가 2980에서 2080으로 감소했고, F1 스코어는 89.19%에서 92.98%로 향상되어 더 빠른 수렴과 더 나은 성능을 입증했다.
• 1024×1024 패치 크기, 그룹 정규화, 중앙값 가중 손실의 조합이 가장 우수한 일반화 성능을 보였으며, 2×2 빈도 Gemini 데이터에서 94.37%의 F1 스코어를 기록했다.
• 모델은 NRES 분광학적 데이터에 대해서도 92.10%의 F1 스코어를 기록하여 표준 이미징 응용 분야를 넘어서는 적용 가능성과 타당성을 입증했다.
• 프레임워크는 훈련 시간을 단축시키고 다양한 기기 간에 강건성을 향상시켰으며, 최종 모델 훈련은 단 380 에포크로 이루어져 기준 모델 대비 87% 감소했다.