[论文解读] Studying deep convolutional neural networks with hexagonal lattices for imaging atmospheric Cherenkov telescope event reconstruction

D. Nieto, A. Brill+5 more|arXiv (Cornell University)|Dec 20, 2019

Astrophysics and Cosmic Phenomena参考文献 15被引用 7

一句话总结

本文评估了多种将深度卷积神经网络（DCNs）适配至成像大气契伦科夫望远镜（IACTs）的六边形晶格图像的策略，比较了基于插值的映射方法（如双线性、双三次插值）与索引卷积。双线性插值在LST、MST-F和SST-1M望远镜模拟中表现最佳，其准确率和AUC与过采样及索引卷积相当或略优，且各顶尖方法间无显著性能差距。

ABSTRACT

Deep convolutional neural networks (DCNs) are a promising machine learning technique to reconstruct events recorded by imaging atmospheric Cherenkov telescopes (IACTs), but require optimization to reach full performance. One of the most pressing challenges is processing raw images captured by cameras made of hexagonal lattices of photo-multipliers, a common layout among IACT cameras which topologically differs from the square lattices conventionally expected, as their input data, by DCN models. Strategies directed to tackle this challenge range from the conversion of the hexagonal lattices onto square lattices by means of oversampling or interpolation to the implementation of hexagonal convolutional kernels. In this contribution we present a comparison of several of those strategies, using DCN models trained on simulated IACT data.

研究动机与目标

• 解决将标准DCNs应用于偏离传统方形网格输入的IACT六边形晶格相机数据所面临的挑战。
• 评估多种预处理与网络级策略，以在不扭曲图像电荷或拓扑结构的前提下，将DCNs适配至六边形像素布局。
• 比较基于插值的映射方法（如双线性、双三次插值）与专用六边形卷积在重建IACT簇射事件方面的性能表现。
• 利用模拟伽马射线簇射数据，评估结果在不同IACT望远镜类型（LST、MST-F、SST-1M）间的泛化能力。
• 确定映射方法的选择是否显著影响模型性能，从而为未来DCN流水线中的超参数优化提供启示。

提出的方法

• 应用五种图像变换方法，将六边形晶格输入图像转换为笛卡尔网格：过采样、重采样、最近邻插值、双线性插值与双三次插值。
• 使用稀疏映射表预先计算像素到像素的电荷分配，确保在变换过程中总电荷守恒（过采样中精确，其余方法近似）。
• 实现一种专用的索引卷积层，采用六边形卷积核，可直接处理六边形网格而无需转换为网格。
• 在使用相同架构的模拟IACT数据上训练DCN模型，包含伽马射线与背景簇射事件，以确保所有映射方法之间的公平比较。
• 使用Delaunay三角剖分识别插值方法中的邻近像素，确保电荷分布的空间一致性。
• 通过在三种望远镜配置的验证集与测试集上评估准确率（ACC）与ROC曲线下面积（AUC），对模型进行性能评估。

实验结果

研究问题

• RQ1 不同图像映射策略（如双线性插值与最近邻插值）对DCN在重建IACT簇射事件方面的性能有何影响？
• RQ2 使用专用于六边形晶格的索引卷积层是否优于经预处理为笛卡尔输入的标准DCN？
• RQ3 在使用相同映射策略时，性能指标在不同IACT望远镜类型（LST、MST-F、SST-1M）间的一致性如何？
• RQ4 与过采样或重采样相比，基于插值的方法在多大程度上保持了图像电荷与空间结构？
• RQ5 映射方法的选择是否可作为DCN优化中用于IACT事件重建的超参数？

主要发现

• 双线性插值在SST-1M测试集上达到最高AUC（0.858 ± 0.002），优于大多数其他方法，且性能差距极小。
• 过采样与索引卷积的性能与双线性插值相当，AUC值分别为0.795 ± 0.002（LST测试）、0.853 ± 0.002（SST-1M测试）与0.857 ± 0.003（SST-1M测试）。
• 最近邻插值始终表现较差，在LST测试集上AUC为0.779 ± 0.003，在SST-1M测试集上为0.838 ± 0.003，表明其性能可能显著劣于其他方法。
• 各次训练运行中指标的标准差较小（0.2–0.5%），表明性能稳定，且对随机初始化或超参数变化不敏感。
• 在统计误差范围内，双线性插值、过采样、重采样与索引卷积之间未观察到显著性能差异，表明各方法具有稳健性。
• 所有三种望远镜类型（LST、MST-F、SST-1M）的结果一致，表明结论在不同相机几何结构与像素配置下具有泛化能力。