[論文レビュー] Cosmic-CoNN: A Cosmic Ray Detection Deep-Learning Framework, Dataset, and Toolkit

Chengyuan Xu, C. McCully+3 more|arXiv (Cornell University)|Jun 28, 2021

Radiation Detection and Scintillator Technologies参考文献 9被引用数 5

ひとこと要約

Cosmic-CoNN は、さまざまな地上望遠鏡で単一露光の天体画像における強力で汎用的な宇宙線（CR）検出を可能にするディーブラーニングフレームワークである。中央値重み付き損失関数とグループ正規化を導入することで、LCOデータでは93.40%のF1スコア、未観測のGeminiデータでは94.37%のF1スコアを達成し、再トレーニングなしで先行モデルを上回る性能を発揮した。

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.

研究の動機と目的

• 複数露光が利用できない状況における、単一露光CCD画像における宇宙線検出の課題に対処すること。
• 機器に特化した既存のディーブラーニングモデルが未観測の望遠鏡で性能を発揮できないという制限を克服すること。
• ピクセルスケール、バイニング、撮影条件が異なる地上機器にわたって一般化可能な、汎用的かつ転移可能なCR検出モデルを開発すること。
• 可視化機能、API、コマンドラインツールを備えた公開可能なツールキットを提供し、天文学分野における広範な採用を支援すること。
• 実際の観測変動をカバーするため、Las Cumbres Observatoryのデータから大規模で多様なCRデータセットを構築し、モデルの学習と検証を実施すること。

提案手法

• クラス不均衡を是正するため、中央値強度が低いピクセルに高い損失重みを割り当てる中央値重み付き損失関数を提案し、モデルの収束性を向上させた。
• U-Netベースのニューラルネットワークアーキテクチャにグループ正規化（GN）を統合し、特に小規模または変動するバッチサイズの状況でも、トレーニングの安定性と効率を向上させた。
• 空間的文脈を保持するため、整列済み画像から1024×1024ピクセルのパッチを切り出すことで、任意の形状・サイズのCRを検出可能とした。
• PyTorchを用いてエンドツーエンドでモデルをトレーニングし、データ拡張（ランダム回転およびミラー処理）を適用することで一般化性能を向上させた。
• 入力パッチサイズとバッチサイズを調整することで、同じアーキテクチャをスペクトロスコピックデータ（NRES）に対しても適用し、マルチモダリティへの適用可能性を示した。
• deepCRなどのベースラインモデルと公平に比較できるよう、同じアーキテクチャを用いた2段階トレーニング戦略を採用し、異なるバッチサイズでも一貫したトレーニングダイナミクスを確保した。

実験結果

リサーチクエスチョン

• RQ1 ある地上望遠鏡群でトレーニングされたディーブラーニングモデルが、ピクセルスケール、バイニング、撮影条件が異なる未観測の機器に効果的に一般化できるか？
• RQ2 極めて不均衡なCR検出タスクにおいて、標準的な交差エントロピー損失と比較して、中央値重み付き損失関数はモデル性能とトレーニング効率をどのように向上させるか？
• RQ3 宇宙望遠鏡撮影で一般的な低データ量または変動するバッチサイズの状況において、グループ正規化はトレーニングの安定性と収束速度をどの程度向上させるか？
• RQ4 同じアーキテクチャを用いた一元的なディーブラーニングフレームワークが、再トレーニングなしで撮影データと分光データの両方で最先端の性能を達成できるか？
• RQ5 本研究で提案するフレームワークは、LA Cosmic や deepCR といった既存手法と比較して、トレーニング済みデータおよび未観測の望遠鏡データの両方で、精度と効率の面でどの程度優れているか？

主な発見

• Cosmic-CoNNモデルはLCO撮影データで93.40%のF1スコアを達成し、ベースラインモデルの89.19%、deepCRの89.35%を大きく上回った。
• 未観測のGemini望遠鏡データでは、1×1バイニングで86.80%、2×2バイニングで94.37%のF1スコアを記録し、すべてのベースラインおよび変種モデルを上回った。
• 中央値重み付き損失関数の導入により、トレーニングエポック数が2980から2080に減少し、F1スコアも89.19%から92.98%に向上した。これは、より速い収束と優れた性能を示している。
• 1024×1024パッチサイズ、グループ正規化、中央値重み付き損失の組み合わせが最良の一般化性能を発揮し、2×2バイニングのGeminiデータで94.37%のF1スコアを達成した。
• スレートロスコピックデータ（NRES）に対しても92.10%のF1スコアを達成し、標準的な撮影応用を超えた適用可能性を示した。
• フレームワークはトレーニング時間を短縮し、機器間でのロバスト性を向上させ、最終モデルはたった380エポックでトレーニング完了し、ベースラインと比較して87%の短縮を達成した。