[论文解读] 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 5

一句话总结

Cosmic-CoNN 是一种深度学习框架，可在多种地面望远镜的单次曝光天文图像中实现稳健且通用的宇宙射线（CR）检测。通过引入中值加权损失函数和组归一化，其在 LCO 数据上的 F1 分数达到 93.40%，在未见过的 Gemini 数据上达到 94.37%，优于无需微调的先前模型。

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.

研究动机与目标

• 解决在缺乏多张曝光图像时，检测单次曝光 CCD 图像中宇宙射线的挑战。
• 克服现有深度学习模型依赖仪器、在未见过的望远镜上性能下降的局限性。
• 开发一种通用且可迁移的宇宙射线检测模型，能够在具有不同像素尺度、像素合并方式和成像条件的地面仪器间实现良好泛化。
• 创建一个公开可访问的工具包，包含可视化功能、API 和命令行工具，以支持天文学领域的广泛应用。
• 从拉斯克姆布雷斯天文台（Las Cumbres Observatory）数据中构建一个大规模、多样化的宇宙射线数据集，以支持在真实观测变化下的模型训练与验证。

提出的方法

• 提出一种中值加权损失函数，通过为中值强度较低的像素分配更高的损失权重，缓解宇宙射线检测中的类别不平衡问题，提升模型收敛性。
• 将组归一化（GN）集成到基于 U-Net 的神经网络架构中，增强训练稳定性与效率，尤其适用于小批量或可变批量的情况。
• 使用对齐图像中的 1024×1024 像素裁剪块，以保留空间上下文信息，实现对任意形状和大小宇宙射线的检测。
• 使用 PyTorch 以端到端方式训练模型，采用 Adam 优化器，并通过随机旋转和镜像增强数据，提升泛化能力。
• 通过调整输入块大小和批量大小，将相同架构适配至光谱数据（NRES），证明其在跨模态应用中的适用性。
• 实施两阶段训练策略，以确保与基线模型（如 deepCR）在不同批量大小下的训练动态一致，实现公平比较。

实验结果

研究问题

• RQ1 在一种地面望远镜集上训练的深度学习模型，能否有效泛化到具有不同像素尺度、像素合并方式和成像条件的未见过的仪器？
• RQ2 与标准交叉熵损失相比，中值加权损失函数在高度不平衡的宇宙射线检测任务中，如何提升模型性能与训练效率？
• RQ3 在天文学成像中常见的低数据量或可变批量场景下，组归一化在多大程度上提升了训练稳定性与收敛速度？
• RQ4 一个单一、统一的深度学习框架能否在无需按仪器微调的前提下，实现对多种数据类型（成像与光谱）的最先进性能？
• RQ5 在训练数据和未见过的望远镜数据上，该框架与 LA Cosmic 和 deepCR 等现有方法相比，在准确率与效率方面表现如何？

主要发现

• Cosmic-CoNN 模型在 LCO 成像数据上的 F1 分数达到 93.40%，显著优于基线模型的 89.19% 和 deepCR 的 89.35%。
• 在未见过的 Gemini 望远镜数据上，Cosmic-CoNN 在 1×1 像素合并下取得 86.80% 的 F1 分数，在 2×2 像素合并下达到 94.37%，优于所有基线和变体模型。
• 中值加权损失函数将训练周期从 2980 个减少至 2080 个，同时将 F1 分数从 89.19% 提升至 92.98%，表明收敛更快且性能更优。
• 1024×1024 块大小、组归一化与中值加权损失的组合实现了最佳泛化效果，在 2×2 像素合并的 Gemini 数据上达到 94.37% 的 F1 分数。
• 该模型在光谱数据（NRES）上也实现了 92.10% 的 F1 分数，表明其在标准成像应用之外也具有适用性。
• 该框架显著缩短了训练时间并提升了跨仪器的鲁棒性，最终模型仅用 380 个周期完成训练，相比基线模型减少了 87%。