[논문 리뷰] Automated Lensing Learner - I: An Automated Strong Lensing Identification Pipeline

Camille Avestruz, Nan Li외 3명|arXiv (Cornell University)|2017. 04. 07.

Adaptive optics and wavefront sensing인용 수 1

한 줄 요약

이 논문은 히스토그램 방향성 기울기(HOG)를 사용하여 은하-은하 렌즈 이미지의 에지 패턴을 추출하고, 이를 감독 학습 분류기와 조합한 자동 강한 렌즈 식별 파이프라인을 제시한다. 허블 우주망원경(HST) 및 LSST 유사 모의 데이터로 훈련된 모델은 HST 유사 관측에서 AUC 0.975, 10년 치 LSST 시뮬레이션에서 AUC 0.809를 기록하여, 더 큰 훈련 세트로 갈수록 성능이 향상되는 강력한 성능을 보였다.

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.

연구 동기 및 목표

• 향후 대규모 설문 조사인 LSST 및 유클리드와 같은 설문 조사에서 강한 렌즈 시스템을 자동으로 효율적으로 식별할 수 있는 방법을 개발하기 위해.
• 미래 설문 조사에서 예상되는 막대한 데이터 세트에 비해 수동 렌즈 탐지가 비현실적이라는 문제를 해결하기 위해.
• 강한 렌즈 식별에 HOG 기반 특징 추출 방법과 감독 학습을 조합한 성능을 평가하기 위해.
• 렌즈 은하 빛과 훈련 세트 크기가 강한 렌즈 아크 유사 특징 탐지 성능에 미치는 영향을 평가하기 위해.
• 모델의 이식 가능성(transferability)을 실질적인 관측 데이터인 스ローン 렌즈 ACS 설문 조사 자료에서 평가하기 위해.

제안 방법

• 이 방법은 강한 렌즈 아크의 형태적 특징을 캡처하기 위해 이미지에서 에지 패턴을 추출하기 위해 히스토그램 방향성 기울기(HOG)를 사용한다.
• 감독 학습 분류기는 HST 및 LSST 관측을 시뮬레이션한 10,000장의 모의 렌즈 및 비렌즈 이미지에서 추출한 HOG 특징을 기반으로 훈련된다.
• 모델 성능은 수신기작동특성곡선 아래 면적(AUC)을 사용하여 평가되며, HST 유사, 단일 노출 LSST, 10년 치 LSST 모의 데이터로 별도 평가가 이루어진다.
• 훈련 데이터에 렌즈 은하 광도를 포함하거나 포함하지 않은 모델을 비교함으로써 렌즈 은하 빛이 모델 성능에 미치는 영향을 분석한다.
• 모의 데이터와 실질적 데이터 간의 차이에 대한 내성 강화를 위해 HOG 파rameterization의 하이퍼파ram터 튜닝을 수행한다.
• 훈련된 모델는 이미지 해상도와 노이즈 문제로 인한 성능 저하를 평가하기 위해 실질적 데이터인 스ローン 렌즈 ACS 설문 조사 자료에서 테스트된다.

실험 결과

연구 질문

• RQ1 HOG 기반 특징 추출과 감독 학습을 조합한 방법이 모의 및 실질적 영상 데이터에서 강한 렌즈 시스템을 효과적으로 식별할 수 있는가?
• RQ2 훈련 데이터에 렌즈 은하 빛을 포함시키는 것이 아크 탐지 능력에 어떤 영향을 미치는가?
• RQ3 모델의 LSST 유사 데이터에서의 성능는 어떠한가? 노출 시간과 신호 대 잡음비가 증가함에 따라 성능은 어떻게 변화하는가?
• RQ4 작은 척도의 특징을 포함한 실질적 관측 데이터에 적용했을 때 성능 저하를 줄이기 위해 HOG 파rameterization을 얼마나 최적화할 수 있는가?
• RQ5 더 큰 훈련 데이터 세트로 갈수록 모델 성능이 향상되는가? 만약 그렇다면 그 정도는 어떠한가?

주요 결과

• HST 유사 모의 데이터에서 모델은 AUC 0.975를 기록하여 강한 렌즈 시스템 탐지 정확도가 매우 높음을 나타낸다.
• 단일 노출 LSST 데이터에서는 AUC 0.625를 기록하여 낮은 신호 대 잡음비에도 불구하고 중간 수준의 성능을 보였다.
• 10년 치 LSST 모의 관측에서는 AUC 0.809에 도달하여 더 깊은 데이터로 갈수록 성능 향상이 뚜렷하게 나타났다.
• 훈련 세트 크기가 증가할수록 성능이 일관되게 향상되어 향후 설문 조사에 대한 확장 가능성을 시사한다.
• 대규모 데이터 세트에서 렌즈 은하 빛을 훈련 데이터에 포함시키면 성능 향상이 이루어지며, 이는 HOG가 형태적 복잡성을 효과적으로 캡처함을 시사한다.
• 실제 스ローン 렌즈 ACS 설문 조사 자료에서는 작은 척도의 이미지 특징으로 인해 성능 저하가 발생했지만, 최적의 HOG 파rameterization을 사용할 경우 AUC 0.6을 기록하여 부분적인 이식 가능성(transferability)을 입증했다.