You Only Stack Once (YOSO): A Motion-Filtered, Deep-Learning Framework for Detecting Faint Moving Sources

ملخص تقني: أنت تراكب مرة واحدة فقط (YOSO)

بيان المشكلة
لا يزال اكتشاف الأجرام في النظام الشمسي الخافتة وبطيئة الحركة، وخاصة أجرام حزام كايبر (TNOs)، يشكل تحدياً كبيراً في المسوح الفلكية واسعة المجال بسبب سطوعها السطحي المنخفض (غالباً $m > 22$). يعتمد الكشف التقليدي على طريقة "الإزاحة والتكديس" (shift-and-stack)، والتي تقوم بمحاذاة الصور بناءً على تجارب متكررة لمتجهات السرعة لتعويض الحركة التزيحية. ورغم فعالية هذه الطريقة، إلا أنها تعاني من محدوديتين رئيسيتين: (1) التكلفة الحسابية التي تتناسب طردياً مع عدد تجارب السرعة والاتجاه المطلوبة، و(2) تراكم الإيجابيات الكاذبة مع زيادة عدد التجارب، مما يؤدي غالباً إلى تحديد ميزات الخلفية الثابتة خطأً كأجرام متحركة. علاوة على ذلك، ركزت تطبيقات التعلم العميق الحالية في علم الفلك بشكل كبير على التصنيف الساكن أو اكتشاف الشذوذ المحدد، تاركةً فجوة في تعزيز الإشارة القائم على الحركة دون الاعتماد على شبكات سرعة شاملة.

المنهجية
يقدم المؤلفون نظام You Only Stack Once (Y-O-S-O)، وهو خط معالجة آلي يدمج مرشح الحركة الغاوسي (GMoF) المبتكر مع شبكة عصبية تلافيفية (CNN) لاكتشاف الأجرام المتحركة دون الحاجة إلى تجارب سرعة منفصلة.

1. المعالجة المسبقة وطرح الصور: يستخدم خط المعالجة صور DECam InstCal. يقوم بطرح الخلفية المحلية باستخدام photutils ويطبق حزمة ISIS (طرح الصورة الأمثل لـ Alard–Lupton) لإزالة المصادر الثابتة، مما يترك صوراً فارقة تحتوي فقط على الأجرام المتحركة أو المتغيرة.
2. مرشح الحركة الغاوسي (GMoF): بدلاً من إزاحة الصور بمعدل محدد، يعمل YOSO على مستوى البكسل. فهو يدرك أن مصدر النقطة المتحركة الذي يعبر بكسلاً ما يخلق منحنى ضوئي يقترب من الدالة الغاوسية. يطبق GMoF مرشحاً غاوسياً أحادي البعد ($G_{mov}$) على السلسلة الزمنية لكل بكسل. يتم اشتقاق عرض المرشح ($\sigma_{filt}$) من السرعة الظاهرية للجرم، ودالة انتشار النقطة (PSF/FWHM)، وإيقاع التعرض. يُعرف إحصاء الكشف لكل بكسل بأنه القيمة القصوى لمنحنى الضوء المترابط ($max(I(t) * G_{mov})$). هذه العملية تولد صورة مجمعة واحدة حيث تظهر الأجرام المتحركة كآثار خطية معززة، بينما يتم كبح الضوضاء العشوائية والبقايا الساكنة.
3. اكتشاف التعلم العميق: تتم معالجة المكدس الناتج عن مرشح الحركة بواسطة نموذج كشف الأجسام YOLOv8-L (You Only Look Once). تم تدريب النموذج على مجموعة بيانات اصطناعية تضم أكثر من 68,000 جرم مزروع في حقول DECam، تغطي قدرات قدر مقدارها $m_{VR} \in [19, 27]$ وسرعات ظاهرة تتراوح بين 3-5 ثانية قوسية/ساعة. تضمنت بيانات التدريب تعزيزات للسطوع، والتباين، وتغيرات الـ PSF لضمان المتانة.
4. التنقيح والتدقيق: بينما يحدد نموذج CNN الآثار المرشحة، فإنه لا يحدد اتجاه الحركة أو معدلها الدقيق بشكل فريد. لحل هذه المسألة، يقوم خط المعالجة بعملية تنقيح "إزاحة وتكديس" ثنائية الاتجاه للمناطق المرشحة. يستخدم الخط المكتبي Source Extraction and Photometry (SEP) لقياس شكل استطالة المصدر. يتم تحديد متجه الحركة الصحيح عن طريق تقليل استطالة المصدر المكدس (بهدف الوصول إلى نقطة مصدر) مع تعظيم التدفق الضوئي. لا يتم الاحتفاظ بالمرشحين إلا إذا استوفوا معايير صارمة: الكشف فوق $1.5\sigma$، وشكل دائري ($FWHM \ge 2.5$)، واستطالة منخفضة جداً ($e < 0.001$).

النتائج الرئيسية
طُبقت الطريقة على مجموعة فرعية من مسح DECam Ecliptic Exploration Project (DEEP)، وتحديداً أربع ليالٍ ميدانية (FNs) في الربع B1.

• كفاءة الاستعادة: نجح YOSO في إعادة اكتشاف 45 من أصل 73 من أجرام حزام كايبر (TNOs) التي حددها تعاون DEEP سابقاً عبر تحليل KBMOD.
• الاكتشافات الجديدة: حدد خط المعالجة 11 جرماً جديداً من أجرام حزام كايبر و216 جرماً آخر أسرع حركة لم يُبلغ عنه سابقاً (بمعدلات ظاهرة تتراوح بين 10-60 ثانية قوسية/ساعة)، بما في ذلك الأجسام القريبة من الأرض (NEOs) وكويكبات حزام المشتري.
• القدر المحدود: تصل الطريقة إلى قدر محدود أسطع بنحو 0.88 درجة قدر من طريقة "الإزاحة والتكديس" الخاصة بـ KBMOD. ومع ذلك، يشير المؤلفون إلى أن معدل الإيجابيات الكاذبة في YOSS منخفض للغاية لأن الطريقة تتطلب من المصدر أن يظهر أثراً ثم يستقر لاحقاً كبقعة نقطية بالمعدل الصحيح.
• مقاييس الأداء: في مجموعة التحقق، حقق النموذج دقة (precision) بلغت 0.80 واستدعاء (recall) بلغ 0.71. وتؤدي عملية التدقيق النهائية إلى معدل نقاء يقترب من 99%.
• الكفاءة الحسابية: على عكس طرق "الإزاحة والتكديس" التي تتطلب شبكة كثيفة من التجارب، يقوم YOSO بتوليد صورة مجمعة واحدة ويجري الاستدلال في أقل من 11 ميلي ثانية لكل صورة، مما يجعله قابلاً للتوسع بشكل كبير.

الأهمية والادعاءات
يزعم البحث أن YOSO يوفر بديلاً متنوعاً وقابلاً للتوسع للكشف عن الأجسام المتحركة التقليدية، خاصة في البيانات الكثيفة. وتكمن أهميته الأساسية في:

• كبح الإيجابيات الكاذبة: من خلال اكتشاف المصادر التي تشكل آثاراً وتستقر فقط كنقاط، تقلل الطريقة بشكل كبير من معدل الإيجابيات الكاذبة المتأصل في عمليات التكديس عالية الحجم القائمة على التجربة والخطأ.
• القابلية للتوسع: يقلل نهج "التكديس لمرة واحدة" من الأعباء الحسابية، مما يجعله مناسباً للمسوح واسعة النطاق مثل تلسكوب LSST (تلسكوب المسح السينوبتيكي الكبير)، خاصة في حقول الحفر العميقة حيث يكون أخذ العينات داخل الليلة كثيفاً.
• شمولية التطبيق: أثبت المؤلفون أن إطار العمل لا يقتقتصر على أجرام حزام كايبر بطيئة الحركة فحسب، بل يكتشف أيضاً بفعالية الأجسام القريبة من الأرض (NEOs) والكويكبات السريعة الحركة باستخدام فرضية سرعة واحدة.
• القابلية للتكيف: يشير البحث إلى إمكانية تكييف تقنية GMoF لمجالات أخرى تتطلب تعزيز الإشارة القائم على الحركة، بما في ذلك:
  • تصوير الكواكب الخارجية: تكييف الطريقة مع التصوير التفاضلي الزاوي (ADI) للتمييز بين إشارات الكواكب والبقع شبه الساكنة.
  • المهام الفضائية: المعالجة المحتملة على متن المركبات لمهام مثل NEO Surveyor لتقليل حجم نقل البيانات عبر إرسال الإطارات المكدسة بدلاً من التعرضات الخام.
  • علم الفلك الزمني: تحديد التغيرات الطفيفة في السطوع للنجوم المتغيرة أو أسلاف المستعرات العظمى.

يخلص المؤلفون إلى أنه على الرغم من أن YOSS لا يصل حالياً إلى نفس عمق KBMOD بالنسبة للأجرام الأكثر خفوتاً، إلا أن نقاءه العالي، وكفاءته الحسابية، وقدرته على استعادة الأجرام في الخلفيات المعقدة، تجعل منه أداة تكميلية قوية لعلوم النظام الشمسي والمسوح المستقبلية واسعة المجال.