A Robust Deep Learning Framework for Prominence Detection through Composite Feature Representations

Résumé technique : Un cadre d'apprentissage profond robuste pour la détection des protubérances via des représentations de caractéristiques composites

Énoncé du problème
Les protubérances solaires sont des structures de plasma froides et dynamiques suspendues dans la couronne solaire chaude. Leur détection est cruciale pour la prévision de la météorologie de l'espace, en particulier concernant les éruptions liées aux éjections de masse coronale. Bien que l'apprentissage profond offre une voie pour traiter les vastes ensembles de données à haute cadence fournis par des missions telles que le Solar Dynamics Observatory (SDO) et son instrument Atmospheric Imaging Assembly (AIA), les tentatives précédentes de détection automatique des protubérances ont échoué. Plus précisément, les modèles entraînés sur des données standard du canal 304 Å du SDO/AIA ont montré de faibles performances, échouant souvent à distinguer les protubérances de l'émission coronale chaude (spécifiquement la raie Si XI 303,3 Å) ou souffrant de contamination par les régions actives. De plus, les études existantes ont rapporté des taux de précision faibles (environ 50 %) pour la détection des protubérances par rapport à d'autres caractéristiques solaires, principalement en raison du faible rapport signal-sur-bruit et de l'ambiguïté structurelle des protubérances dans la bande passante de 304 Å.

Méthodologie
Les auteurs ont développé et optimisé un cadre d'apprentissage profond basé sur l'architecture de détection d'objets You Only Look Once (YOLOv5) pour répondre à ces défis. L'étude a utilisé un ensemble de données étiqueté d'images SDO/AIA 304 Å du disque entier (2010–2017), initialement créé par Baek et al. (2021).

La recherche s'est déroulée en deux phases principales :

1. Modèle de référence (Colormap 304) : Les auteurs ont d'abord entraîné un modèle YOLOv5 directement sur les images 304 Å standard au format JPEG. Cela a servi de contrôle pour évaluer les performances et identifier d'éventuels biais.
2. Modèles de caractéristiques composites : Pour atténuer les limitations de la colormap standard et la dégradation de l'instrument, les auteurs ont construit un nouveau pipeline de prétraitement. Ce pipeline impliquait :
   • L'étalonnage des données FITS brutes au niveau 1,5 pour corriger la dégradation de l'instrument.
   • L'application de la technique de blanchiment optimisé par ondelettes (Wavelet-Optimized Whitening, WOW) pour améliorer les détails structurels fins et le contraste tout en supprimant le bruit.
   • La création d'un tenseur d'entrée à trois canaux pour le réseau de neurones. Les auteurs ont testé deux variantes :
     • Modèle composite : Les canaux consistaient en (i) un niveau de gris du disque entier, (ii) une couronne améliorée du disque entier (traitée par WOW), et (iii) un niveau de gris sans disque.
     • Modèle composite sans disque : Les trois canaux contenaient des représentations de données sans disque (le premier canal étant mis à l'échelle logarithmiquement pour la distinction).

Les modèles ont été entraînés en utilisant la descente de gradient stochastique (SGD) avec momentum, en employant des augmentations de données en temps réel (rotation, retournement, mise à l'échelle) pour améliorer la robustesse. Les performances ont été évaluées à l'aide de métriques standard de détection d'objets : Précision, Rappel, Score F1 et Précision Moyenne Moyenne (mAP@50 et mAP@50-95).

Contributions clés

• Identification du biais de colormap : L'étude a démontré que les modèles entraînés sur des colormaps 304 Å standards présentent un biais fort vers le canal rouge de la représentation RVB, s'appuyant sur des artefacts de couleur plutôt que sur des caractéristiques de forme ou de texture physiquement significatives. Ce biais a été montré comme dégradant les performances sur des images plus récentes et dégradées.
• Représentation de caractéristiques composites : Les auteurs ont introduit une nouvelle stratégie d'entrée multicanal combinant des représentations en niveaux de gris, améliorées par WOW et sans disque. Cette approche améliore physiquement les structures de protubérances et atténue les effets d'obscurcissement de l'émission coronale chaude et des régions actives.
• Généralisation inter-instruments : Le cadre a été testé sur des données du Solar Ultraviolet Imager (SUVI) embarqué sur la série GOES-R, démontrant la capacité du modèle à se généraliser à travers différents instruments malgré les différences de champ de vision et de rotation d'image.
• Analyse du biais dans la vérité terrain : L'article met en évidence que les « faux positifs » identifiés par le modèle correspondent souvent à des protubérances valides non étiquetées, manquées dans l'étiquetage de la vérité terrain original en raison des limitations de la vue standard 304 Å. Cette découverte suggère que les métriques standard peuvent sous-estimer les performances du modèle lorsque la vérité terrain elle-même est incomplète.

Résultats

• Métriques de performance : Le Modèle composite a obtenu les meilleures performances globales avec un Rappel de 78 % et un mAP@50 de 0,749. Cela représente une amélioration significative par rapport aux méthodes précédentes de boîtes englobantes (par exemple, SSD et Faster R-CNN), qui rapportaient des précisions d'environ 50 à 59 % sur le même ensemble de données.
• Précision effective : L'analyse visuelle a révélé qu'environ 74 % des faux positifs apparents du modèle étaient en réalité des protubérances valides non étiquetées. En tenant compte de ces vrais positifs « cachés », la précision effective du Modèle composite est passée à 91 %, et celle de la variante sans disque à 93 %.
• Comparaison des modèles : Bien que le Modèle composite sans disque ait montré des scores de métriques légèrement inférieurs et une convergence plus lente, il était plus conservateur. Le modèle Colormap 304 standard, bien qu'ayant atteint un mAP@50 légèrement supérieur (0,755) lors de l'entraînement, a souffert d'une dépendance aux canaux et a échoué à détecter les caractéristiques obscurcies par l'émission coronale ou les régions actives.
• Généralisation : Le Modèle composite a détecté avec succès des protubérances dans les données SUVI, identifiant des caractéristiques visibles dans le traitement amélioré mais parfois manquées dans les vues AIA standard, confirmant son utilité à travers les instruments.

Signification et affirmations
L'article affirme fournir un cadre d'apprentissage profond fiable, motivé par la physique et polyvalent pour la détection automatique des protubérances solaires. Les auteurs soulignent que leur approche va au-delà des limitations des colormaps standards et des entrées monocanaux, offrant une solution robuste pour les applications de météorologie de l'espace.

Crucialement, l'article souligne l'importance de la construction de l'ensemble de données. Il soutient que les biais dans la sélection d'images (déséquilibre temporel dû à la dégradation de l'instrument) et l'étiquetage (détection incomplète des structures faibles) se propagent directement dans les prédictions du modèle et les statistiques de performance. Les auteurs proposent que les futurs ensembles de données robustes doivent :

1. Être sélectionnés uniformément sur tout le cycle solaire.
2. Éviter les caractéristiques extrinsèques comme les artefacts de texte.
3. Utiliser des données composites multicanal ou des représentations en niveaux de gris plutôt que des colormaps arbitraires.
4. Respecter des normes d'étiquetage cohérentes, en réétiquetant potentiellement les données à l'aide de techniques de traitement amélioré (comme WOW) pour capturer l'étendue complète des structures de protubérances.

L'étude conclut que, bien que le modèle actuel soit une avancée significative, les travaux futurs devraient se concentrer sur l'extension du cadre pour inclure la classification des régions actives et l'intégration de méthodes d'extraction de propriétés physiques afin de construire des catalogues complets de protubérances.