基于主动学习与异常检测的星系团弥散射电辐射自动识别方法

《RAS Techniques and Instruments》：A targeted machine learning approach for detecting diffuse radio emission with Astronomaly: Protege

　　

摘要

星系团中的弥散射电辐射，如射电晕、遗迹和迷你晕，是追踪团内介质中非热过程、湍流和磁场的关键指标。然而，其低表面亮度，以及来自致密源和成像伪影的污染，使得其探测极具挑战性。来自平方公里阵列（Square Kilometre Array）等仪器的海量数据将使得传统的人工检查检测方法不再可行。本文介绍了一种新颖的机器学习方法，利用主动学习从小量、优化选择的数据子集中快速识别弥散辐射候选体。我们应用自监督深度学习算法Bootstrap Your Own Latent（BYOL），从MeerKAT星系团遗产巡天（MGCLS）的源截图中提取特征。随后，将这些特征通过Astronomaly: Protege异常检测框架以识别最终候选体。利用人工标注数据集，我们在高分辨率（~7″）、卷积（15″）和组合特征MGCLS数据集上评估了该流程。有趣的是，高分辨率特征比卷积分辨率更高效地识别弥散源，而组合特征则进一步优于卷积分辨率。在Protege排名的前100个源中，98%表现出弥散特征，其中53%被确认为与星系团相关的辐射。我们的工作表明，Protege可在极少人工标注努力下识别弥散辐射，提供了一种强大且可扩展的工具，能够检测已知和新型弥散射电源。