[论文解读] Machine Vision and Deep Learning for Classification of Radio SETI Signals

G. R. Harp, Jon Richards+9 more|arXiv (Cornell University)|Feb 6, 2019

Space Science and Extraterrestrial Life被引用 10

一句话总结

本文提出了一种新颖的方法，通过将 spectrograms 视为图像并应用机器视觉与深度学习技术，对射电 SETI 信号进行分类。利用实际的 Allen Telescope Array 数据和模拟信号，该方法在非参数分类任务中实现了高准确率和低误报率，其中宽残差神经网络（W-ResNet）的表现优于传统基于特征的方法。

ABSTRACT

We apply classical machine vision and machine deep learning methods to prototype signal classifiers for the search for extraterrestrial intelligence. Our novel approach uses two-dimensional spectrograms of measured and simulated radio signals bearing the imprint of a technological origin. The studies are performed using archived narrow-band signal data captured from real-time SETI observations with the Allen Telescope Array and a set of digitally simulated signals designed to mimic real observed signals. By treating the 2D spectrogram as an image, we show that high quality parametric and non-parametric classifiers based on automated visual analysis can achieve high levels of discrimination and accuracy, as well as low false-positive rates. The (real) archived data were subjected to numerous feature-extraction algorithms based on the vertical and horizontal image moments and Huff transforms to simulate feature rotation. The most successful algorithm used a two-step process where the image was first filtered with a rotation, scale and shift-invariant affine transform followed by a simple correlation with a previously defined set of labeled prototype examples. The real data often contained multiple signals and signal ghosts, so we performed our non-parametric evaluation using a simpler and more controlled dataset produced by simulation of complex-valued voltage data with properties similar to the observed prototypes. The most successful non-parametric classifier employed a wide residual (convolutional) neural network based on pre-existing classifiers in current use for object detection in ordinary photographs. These results are relevant to a wide variety of research domains that already employ spectrogram analysis from time-domain astronomy to observations of earthquakes to animal vocalization analysis.

研究动机与目标

• 开发用于搜寻地外文明（SETI）的自动化信号分类器，采用机器视觉与深度学习技术。
• 评估参数化与非参数化分类器在真实与模拟窄带射电信号上的性能表现。
• 通过基于图像的 spectrogram 分析，降低 SETI 信号检测中的误报率。
• 比较传统特征提取方法与现代深度学习模型在分类复杂多信号射电数据方面的表现。
• 证明这些方法在 SETI 之外的应用潜力，包括时域天文学与生物声学领域。

提出的方法

• 将真实与模拟射电信号的 spectrograms 视为二维图像进行分析。
• 应用经典机器视觉技术，包括垂直与水平图像矩，以及 Huff 变换以模拟特征旋转。
• 采用两步分类器：首先通过仿射变换实现旋转、缩放与平移不变性，随后与标记的原型样本进行相关性匹配。
• 在由复数值电压数据构成的模拟数据集上训练宽残差神经网络（W-ResNet），以模拟观测到的信号特性。
• 在受控的简化数据集上评估非参数分类器，以隔离真实世界信号污染对性能的影响。
• 在包含多个重叠信号与信号伪影的归档 Allen Telescope Array 数据上，测试特征提取与分类处理流程。

实验结果

研究问题

• RQ1 能否有效利用机器视觉与深度学习技术对射电信号的 spectrograms 进行分类？
• RQ2 在噪声较大的射电数据中，传统基于特征的分类器与深度学习模型在检测技术信号方面表现如何比较？
• RQ3 深度学习模型在 SETI 信号分类中能在多大程度上实现高准确率与低误报率？
• RQ4 这些模型在存在重叠信号与伪影的真实世界数据中泛化能力如何？
• RQ5 数据预处理（如仿射变换与特征旋转模拟）对分类器性能有何影响？

主要发现

• 采用仿射变换与原型相关性的两步分类器在真实数据上实现了高判别力与准确率，且误报率较低。
• 宽残差神经网络（W-ResNet）在模拟的受控数据集上优于传统基于特征的方法。
• 将 spectrograms 视为图像的方法，有效实现了对真实 SETI 观测中常见复杂多信号环境的检测。
• 基于图像矩与 Huff 变换的特征提取方法成功模拟了旋转不变性，提升了模型鲁棒性。
• 结果表明，基于照片图像数据训练的深度学习模型在射电信号分类任务中具有极强的可迁移性。
• 该方法在其他涉及 spectrogram 分析的领域也具有广泛适用性，包括地震学与动物鸣叫声研究。