MODEL&CO: Exoplanet detection in angular differential imaging by learning across multiple observations
Résumé
Direct imaging of exoplanets is particularly challenging due to the high contrast between the planet and the star luminosities, and their small angular separation. In addition to tailored instrumental facilities implementing adaptive optics and coronagraphy, postprocessing methods combining several images recorded in pupil tracking mode are needed to attenuate the nuisances corrupting the signals of interest. Most of these post-processing methods build a model of the nuisances from the target observations themselves, resulting in strongly limited detection sensitivity at short angular separations due to the lack of angular diversity. To address this issue, we propose to build the nuisance model from an archive of multiple observations by leveraging supervised deep learning techniques. The proposed approach casts the detection problem as a reconstruction task and captures the structure of the nuisance from two complementary representations of the data. Unlike methods inspired by reference differential imaging, the proposed model is highly non-linear and does not resort to explicit image-to-image similarity measurements and subtractions. The proposed approach also encompasses statistical modeling of learnable spatial features. The latter is beneficial to improve both the detection sensitivity and the robustness against heterogeneous data. We apply the proposed algorithm to several datasets from the VLT/SPHERE instrument, and demonstrate a superior precision-recall trade-off compared to the PACO algorithm. Interestingly, the gain is especially important when the diversity induced by ADI is the most limited, thus supporting the ability of the proposed approach to learn information across multiple observations.
Domaines
Vision par ordinateur et reconnaissance de formes [cs.CV] Traitement du signal et de l'image [eess.SP] Planétologie et astrophysique de la terre [astro-ph.EP] Instrumentation et méthodes pour l'astrophysique [astro-ph.IM] Analyse de données, Statistiques et Probabilités [physics.data-an] Applications [stat.AP] Machine Learning [stat.ML]
Fichier principal
main_mnras.pdf (16.36 Mo)
Télécharger le fichier
10deg.pdf (961.63 Ko)
Télécharger le fichier
23deg.pdf (958.65 Ko)
Télécharger le fichier
2deg.pdf (904.92 Ko)
Télécharger le fichier
6deg.pdf (947.53 Ko)
Télécharger le fichier
all_auc_fdr_tpr.pdf (232.2 Ko)
Télécharger le fichier
all_tpr_max.pdf (231.81 Ko)
Télécharger le fichier
architecture_new.pdf (1.93 Mo)
Télécharger le fichier
bands.pdf (32.27 Ko)
Télécharger le fichier
calibration_n_frames.pdf (163.24 Ko)
Télécharger le fichier
calibration_test.pdf (161.8 Ko)
Télécharger le fichier
comp_hd10_T16_mix.pdf (1.03 Mo)
Télécharger le fichier
comp_hd10_T48_mix.pdf (1.03 Mo)
Télécharger le fichier
comp_hd88_T16_mix.pdf (1.07 Mo)
Télécharger le fichier
comp_hd88_T48_mix.pdf (1.07 Mo)
Télécharger le fichier
cond_obs.pdf (68.52 Ko)
Télécharger le fichier
join_rel_avg.pdf (123.59 Ko)
Télécharger le fichier
main_mnras.gls (2.9 Ko)
Télécharger le fichier
mta.pdf (893.1 Ko)
Télécharger le fichier
n_frames.pdf (67.06 Ko)
Télécharger le fichier
n_models_auc.pdf (36.25 Ko)
Télécharger le fichier
n_obs_auc_fixed.pdf (43.26 Ko)
Télécharger le fichier
real_sources_detection_maps_fullfig_same_dyn.pdf (2.15 Mo)
Télécharger le fichier
rot.pdf (66.71 Ko)
Télécharger le fichier
workflow.pdf (2.48 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
