[论文解读] Automated Lensing Learner - I: An Automated Strong Lensing Identification Pipeline

Camille Avestruz, Nan Li+3 more|arXiv (Cornell University)|Apr 7, 2017

Adaptive optics and wavefront sensing被引用 1

一句话总结

该论文提出了一种基于直方图方向梯度（HOG）的自动化强引力透镜识别流程，用于从星系-星系透镜图像中提取边缘模式，并结合监督分类器。模型在HST和LSST类模拟数据上进行训练，对HST类观测的AUC达到0.975，对10年LSST模拟数据的AUC为0.809，表现出优异性能，且随着训练集增大而进一步提升。

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.

研究动机与目标

• 开发一种自动化、高效的方法，用于识别未来大规模巡天（如LSST和Euclid）中的强引力透镜系统。
• 解决未来巡天将产生海量数据背景下人工检测透镜不切实际的挑战。
• 评估基于HOG的特征提取方法与监督学习结合在强引力透镜识别中的性能。
• 评估透镜星系光和训练集大小对模型检测弧状特征能力的影响。
• 在斯隆透镜ACS巡天的真实观测数据上测试模型的迁移能力。

提出的方法

• 该方法采用直方图方向梯度（HOG）从图像中提取边缘模式，以捕捉强引力透镜弧的形态特征。
• 使用从10,000张模拟透镜和非透镜图像中提取的HOG特征，对监督分类器进行训练，模拟哈勃空间望远镜（HST）和LSST的观测。
• 通过受试者工作特征曲线下面积（AUC）评估模型性能，分别针对HST类、单次曝光LSST和10年LSST模拟数据进行评估。
• 通过比较在训练数据中是否包含透镜星系光的模型，分析透镜星系光对模型性能的影响。
• 对HOG参数化进行超参数调优，以提高模型在模拟数据与真实数据差异下的鲁棒性。
• 将训练好的模型应用于斯隆透镜ACS巡天的真实数据，以评估其泛化能力及因图像分辨率和噪声导致的性能下降。

实验结果

研究问题

• RQ1 基于HOG的特征提取结合监督学习是否能有效识别模拟和真实成像数据中的强引力透镜系统？
• RQ2 在训练数据中包含透镜星系光是否会影响模型检测弧状特征的能力？
• RQ3 该模型在LSST类数据上的表现如何？其性能是否随曝光时间延长和信噪比提升而增强？
• RQ4 HOG参数化在多大程度上可被优化，以减少在具有小尺度特征的真实观测数据中应用时的性能下降？
• RQ5 模型性能是否会随着训练数据集增大而提升？若提升，其提升机制如何？

主要发现

• 在HST类模拟数据上，模型AUC达到0.975，表明对强引力透镜系统的检测精度极高。
• 对于单次曝光的LSST数据，模型AUC为0.625，尽管信噪比较低，仍表现出中等性能。
• 在10年LSST模拟观测下，模型AUC达到0.809，表明在更深数据中性能显著提升。
• 随着训练集规模增大，模型性能持续提高，表明其对未来巡天具有良好的可扩展性。
• 在大规模数据集上，训练时包含透镜星系光可提升性能，表明HOG能有效捕捉形态复杂性。
• 在真实斯隆透镜ACS巡天数据上，性能因小尺度图像特征而下降，但最佳HOG参数化下AUC仍达0.6，表明具备部分迁移能力。