近日，智能光学成像实验室通过合作研究，建立了一种用于定位恒星并对恒星光度进行测量的贝叶斯神经网络。
恒星作为宇宙中一类重要的天体，其位置以及亮度都具有重要的研究意义。对于恒星中心的精确定位能够帮助我们发现新天体或分析星系结构，而精确测量天体亮度则能够帮助我们对天体活动进行刻画。但是，再精确的测量也会存在一定误差，对这个误差的有效估计能够帮助我们判断神经网络给出结果的可靠性，有利于相关的科学推断。贝叶斯神经网络作为一种基于概率推断的网络，能够对测量结果中存在的不确定性较好地进行建模。此外，由于一般的目标检测网络使用bounding box来回归目标位置，这样的网络会同时考虑恒星目标的位置和长宽尺寸，这会给网络增加不必要的约束条件，与我们希望精确回归恒星中心点是相违背的。因此，经过调研，我们选择了更适合定位恒星中心的神经网络架构： centernet。
图1 整体工作流程图
图2 贝叶斯测光神经网络结构图
综上，在PNet—A Deep Learning Based Photometry and Astrometry Bayesian Framework一文中，我们创新地提出使用基于centernet网络来对恒星进行定位以及光度测量，并加入贝叶斯网络来对光度测量过程中的不确定性进行建模。在该文章中，我们展示了算法的整体流程以及网络结构，并展示了消融实验的结果，充分说明了该算法的可靠性。
在之后的工作中，我们考虑从以下几个方面进行改进。首先是网络结构，本文中所提出的模型结构并不一定是最优解，之后随着目标检测技术的发展，如果有更优秀的模型结构出现，可以替换本文中的模型结构来达到更优的效果。其次是标准星挑选策略，在本文中标准星是从视场范围内选择亮度不同的孤星，这种挑选策略并不总是有效，例如当孤星都集中在比较暗的区间时应该如何选择，因此在标准星的挑选策略上还可以做进一步的研究。最后在之后的工作中，我们考虑使用多波段图像来降低误检率以及提高定位和测光的准确度。
研究代码通过中国虚拟天文台PaperData平台发布（doi：10.3847/1538-3881/ad01b5），相关云服务资源由智能光学成像实验室部署。论文内容解读由太原理工大学孙睿同学完成，孙睿同学2021年本科毕业于太原理工大学，20年加入太原理工大学智能光学成像实验室开展机器学习及人工智能方面的研究，目前参与小组内星场检测及测量相关研究。
智能光学成像实验室由贾鹏博士建立，面向国家基础科学装置和战略需求，开展光电系统数字孪生及智能信号处理研究，研究成果服务我国空间站巡天望远镜、欧洲极大光学望远镜、大光学红外望远镜、平方公里阵列、爱因斯坦探针、司天计划等国内外大科学装置。近年来，在国家自然科学基金、科技部重点研发专项青年科学家项目、载人航天工程和平方公里阵专项项目支持下，融合天文仪器数字孪生和智能数据处理技术开展天文目标信息自动提取和未知天文目标发现研究，助力我国科学实现从0到1的突破。
解读视频链接