[논문 리뷰] Probabilistic segmentation of overlapping galaxies for large cosmological surveys

Bretonnière Hubert, A. Boucaud외 1명|arXiv (Cornell University)|2021. 11. 30.

Machine Learning and Data Classification인용 수 5

한 줄 요약

이 논문은 대규모 광학적 순위 조사에서 은하 분리 문제에 적합한 확률적 U-Net 모델을 제안하며, 가중치가 부여된 Dice 손실과 잠재 공간 샘플링을 통해 단일 참조 지도(annotation)로 훈련됨에도 불구하고 픽셀 단위의 불확실성 추정치를 도출한다. 이 방법은 블렌딩된 은하에 대해 높은 완전성(87.3%)과 순도(93.6%)를 달성하면서도 물리적으로 의미 있는 불확실성 맵을 생성하여 정밀 우주론에서의 오차 전파를 강력하게 지원한다.

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.

연구 동기 및 목표

• 향후 대규모 우주론적 순위 조사인 Euclid와 LSST와 같은 과정에서 발생하는 겹치는 은하(블렌딩) 문제를 해결하기 위해.
• 정밀 우주론에서 오차 예산 계산을 지원하기 위해 은하 세그멘테이션에 대해 校정된 픽셀 단위의 불확실성 추정치를 제공하기 위해.
• 불균형적이고 신호 대 잡음비가 낮은 데이터에 특히 적합한 천문학적 이미지 세그멘테이션을 위해 확률적 U-Net 아키텍처를 적응시키기 위해.
• 훈련 시 단일 참조 지도만 제공되더라도 불확실성이 의미 있는 방식으로 포착될 수 있음을 보여주기 위해.
• 모의 광학적 영역에서 잘리거나 희미한 은하의 견고한 분리(deblending)를 가능하게 하기 위해.

제안 방법

• 은하 세그멘테이션에서의 클래스 불균형 문제를 다루기 위해 표준 복원 손실 대신 가중치가 부여된 Dice 손실로 확률적 U-Net(PUnet) 아키텍처를 수정한다.
• 이중 인코더 구조를 사용: 입력 이미지용 하나와 참조 지도 세그멘테이션용 하나로, 모두 가우시안 잠재 공간으로 매핑되어 불확실성 모델링을 정규화한다.
• 추론 중에 잠재 공간에서의 스토케스틱 샘플링을 수행하여 세그멘테이션 맵의 50개 실현치를 생성함으로써 픽셀 단위의 분산 추정을 가능하게 한다.
• 최종 소프트맥스 출력에 임계값 처리를 적용하여 이진 세그멘테이션 맵을 생성하며, 겹치는 영역은 값 2로 할당한다.
• 가중치가 부여된 Dice 손실과 잠재 분포 간의 쿨백-라이블러 발산(Kullback–Leibler divergence)을 조합한 손실 함수를 사용하여 모델을 훈련한다.
• Sersic 프로파일을 가진 모의 은하 영역에서 추출한 128×128 이미지 스탬프를 처리하며, 삼항 세그멘테이션 맵(0: 배경, 1: 고립된 은하, 2: 겹치는 영역)을 사용한다.

실험 결과

연구 질문

• RQ1 확률적 딥러닝 모델은 대규모 광학적 순위 조사에서 은하 세그멘테이션에 대해 의미 있는, 물리적으로 타당한 불확실성 추정치를 생성할 수 있는가?
• RQ2 단일 참조 지도당 훈련됨에도 불구하고 전문가의 다수 앙케이트가 없음에도 불구하고 모델은 고립된 은하의 세그멘테이션 성능(완전성 및 순도)을 유지하는가?
• RQ3 모델은 이미지 스탬프에서 잘린 은하를 정확하게 세그멘테이션하고 배경 잡음과 구분할 수 있는가?
• RQ4 예측된 불확실성은 신호 대 잡음비와 magnitude와 관련이 있으며, 기대되는 물리적 행동을 반영하는가?
• RQ5 특히 세그멘테이션의 모호성이 높은 영역에서 불확실성 맵은 유용한가?

주요 결과

• 고립된 은하에 대해 99.1%의 완전성과 98.5%의 순도를 달성하였으며, 모든 magnitude에서 IoU가 0.8를 초과한다.
• 블렌딩된 은하에 대해서는 87.3%의 완전성과 93.6%의 순도를 기록하였으며, 희미한 물체(magnitude >24)에 대해서도 IoU가 0.55를 초과한다.
• 예측된 불확실성(50개 실현치의 표준편차)은 magnitude가 증가함에 따라 증가하며, 더 희미한 소스일수록 더 높은 불확실성을 반영한다. 특히 밝기가 낮은 곳인 은하 경계에서 가장 높다.
• 모델은 겹치는 은하를 성공적으로 식별하고, 겹치는 영역에서 의미 있는 불확실성을 제공한다. 이는 정성적 예시로 확인되었다.
• 배경 전용 스탬프를 과도하게 세그멘테이션하지 않고 정확히 예측하며, 이는 이전 모델이 실패했던 케이스에서 뛰어난 성능을 보였다.
• 불확실성 맵은 공간적으로 일관성이 있으며, 은하 가장자리에서 변동성이 높고 중심부에서는 낮아, 세그멘테이션의 어려움에 민감함을 보여준다.