Las Cumbres CR dataset

利用全球望远镜网络数千张图像构建的大型多样化地面CR数据集。

A large and diverse ground-based CR dataset constructed from thousands of images captured by the Global Telescope Network.

原始信息汇总

Cosmic-CoNN 数据集概述

数据集介绍

• 名称：LCO CR dataset
• 来源：Las Cumbres Observatory (LCO) 全球望远镜网络的23个仪器
• 规模：包含超过4,500张科学图像
• 特点：宇宙射线（CR）标记准确且一致，涵盖多种不同观测设备
• 类型：目前最大的同类数据集

数据集用途

• 用于训练通用的、鲁棒的宇宙射线检测模型，适用于地面和空间成像数据以及光谱观测

相关模型与工具

• 深度学习框架：基于PyTorch，用于训练宇宙射线检测模型
• 工具套件：包括控制台命令、Web应用和Python API，便于天文学家使用深度学习模型

数据集引用

• 若在研究中使用该数据集或模型，请引用以下文献：

  @dataset{xu_chengyuan_2021_5034763, author = {Xu, Chengyuan and McCully, Curtis and Dong, Boning and Howell, D. Andrew and Sen, Pradeep}, title = {Cosmic-CoNN LCO CR Dataset}, month = jun, year = 2021, publisher = {Zenodo}, version = {0.1.0}, doi = {10.5281/zenodo.5034763}, url = {https://doi.org/10.5281/zenodo.5034763} }

搜集汇总

数据集介绍

构建方式

Las Cumbres CR数据集的构建依托于拉斯坎布雷斯天文台（LCO）全球望远镜网络的独特资源，通过自主开发的Python标记流程，对同一天区的连续曝光图像进行堆叠分析以识别宇宙射线。为确保标记的准确性与一致性，仅选取曝光时间和滤光片完全相同的序列，且序列内至少包含三次重复观测。数据经过BANZAI管道预处理，消除了仪器特征，使得跨不同望远镜的宇宙射线标记成为可能。最终，数据集收录了来自23台望远镜的超过4500张科学图像，涵盖多种CCD探测器类型，并以多扩展FITS格式存储，包含原始图像、对应的宇宙射线掩膜及忽略掩膜，用于剔除热像素、无数据区域和天体源等干扰。

特点

该数据集的核心特点在于其规模宏大且多样性丰富，是目前已知最大的地基宇宙射线数据集。它覆盖了LCO全球网络中0.4米、1米和2米三类望远镜的观测数据，像素尺度、视场和滤光片配置各异，为训练通用性强的深度学习模型提供了丰富的特征覆盖。数据采集时间跨度从2018年11月至2019年12月，涵盖了不同季节和天体源密度的观测，有效提升了模型对复杂天文场景的鲁棒性。此外，数据集通过严格的筛选流程，仅保留了98.79%的高置信度宇宙射线像素，并排除了与天体源重叠的射线，从而确保了训练样本的纯净度和可靠性。

使用方法

Las Cumbres CR数据集主要用于训练和评估宇宙射线检测深度学习模型，尤其是Cosmic-CoNN框架。用户可从Zenodo下载数据集，并利用配套的开源工具包进行模型训练、验证和推理。工具包提供了Python API、命令行接口和交互式Web应用，支持对FITS文件进行批量处理、掩膜可视化和编辑。在训练时，建议采用1024×1024像素的采样块大小，并结合组归一化和中值加权损失函数，以应对地基数据中宇宙射线稀疏和类别不平衡的挑战。训练后的模型可直接应用于LCO数据，并展现出对未见过的地基仪器（如Gemini GMOS）的良好泛化能力。

背景与挑战

背景概述

在天文观测中，宇宙射线（CR）对电荷耦合器件（CCD）捕获的数据构成严重干扰，其产生的伪影常被误认为真实天体信号，因此精确检测宇宙射线是科学数据解释的关键环节。Las Cumbres CR数据集由加州大学圣塔芭芭拉分校与Las Cumbres天文台的研究人员于2022年构建，旨在解决现有宇宙射线检测方法在单一曝光图像中泛化能力不足的问题。该数据集利用全球望远镜网络中的数千张科学图像，覆盖了多种地面仪器的观测条件，为训练通用型深度学习检测模型提供了丰富的特征覆盖。其核心研究问题在于开发一种能够适应不同望远镜且无需手动参数调节的宇宙射线检测框架，所提出的Cosmic-CoNN模型在Las Cumbres数据上达到了93.70%的精确率，并在Gemini望远镜等未见过仪器上保持了稳定性能，对天文数据自动化处理领域产生了深远影响。

当前挑战

该数据集面临的核心挑战首先在于天文数据中宇宙射线像素与正常像素的极端类别不平衡，地面观测中CR与非CR像素比例低至1:10,000，导致传统深度学习方法难以有效训练和收敛。其次，构建过程中需解决多仪器间数据一致性难题，不同CCD响应曲线和观测条件（如视宁度、源密度）的差异要求标注流程具备高度鲁棒性，研究者通过标准化数据归约流程并利用BANZAI管道消除仪器特征，才得以实现跨仪器的一致标注。此外，宇宙射线形态多变且与真实天体在空间特征上高度相似，需设计专门的中值加权损失函数和分组归一化策略以区分两者，同时增大采样图块尺寸至1024×1024像素以捕获足够空间上下文，这又对GPU内存和训练效率提出了严峻考验。

常用场景

经典使用场景

在光学天文观测中，宇宙射线（CR）会以尖锐的伪影形式污染电荷耦合器件（CCD）捕获的图像，严重干扰对真实天体源的识别与测量。Las Cumbres CR 数据集作为迄今最大、最多样化的地基宇宙射线检测数据集，涵盖了来自 Las Cumbres 天文台全球望远镜网络中 23 台望远镜、超过 4500 张科学图像，包含不同像素尺度、视场与滤光片组合的丰富样本。其经典使用场景聚焦于单次曝光图像中的宇宙射线像素级识别与分割，通过深度学习模型逐像素输出概率图，实现对任意形状与尺寸宇宙射线的鲁棒检测，替代传统依赖人工参数调优的滤波方法。

解决学术问题

该数据集有效解决了地基天文观测中宇宙射线检测面临的三大核心学术难题。其一，极端类别不平衡问题：在 LCO 数据中宇宙射线像素与非宇宙射线像素的比例约为 1:10000，传统二元交叉熵损失函数会导致背景像素损失主导训练；论文提出的中值加权损失函数通过自适应降低背景像素权重，将损失比从 1:6300 优化至 1:300，使模型专注于区分宇宙射线与真实天体源。其二，跨仪器泛化能力缺失：以往深度学习方法仅能训练特定仪器模型，在未见过的望远镜数据上性能骤降；而该数据集配合分组归一化与 1024² 像素采样策略，训练的 Cosmic-CoNN 模型在 Gemini GMOS-N/S 望远镜上仍保持 92.03% 与 96.69% 的高精度，验证了数据集特征的广泛覆盖性。其三，单帧图像检测的可靠性：为没有多次曝光条件的观测（如光谱观测）提供了端到端的深度学习解决方案。

衍生相关工作

该数据集及 Cosmic-CoNN 框架催生了多项重要衍生工作。Bhavanam 等人（2022）在 DECam 数据上测试了该模型，验证了其在又一未见仪器上的优异泛化性能（95% 召回率下精度达 96.60%），并尝试引入注意力门控模块进行微调。Kwon 等人（2021）基于该数据集的思路扩展了 HST ACS/WFC 全滤光片宇宙射线检测模型。此外，Cosmic-CoNN 的神经网络架构与中值加权损失函数已被初步应用于源提取、卫星检测及近地天体识别等天文图像分割任务，其开源框架提供了预训练模型与微调接口，使其他天文台能以少量数据快速优化专属检测器，为未来构建通用宇宙射线检测方案奠定了数据与算法基础。