Streak detection in the VST/OmegaCAM archive using deep learning

기술 요약: 딥러닝을 이용한 VST/OmegaCAM 아카이브 내 스트리크(Streak) 탐지

문제 정의
VLT 서베이 망원경(VST)과 OmegaCAM 이미저를 통해 수행되는 지상 기반 천문 관측 조사에서는, 관측 시야를 가로지르는 위성 및 우주 파편으로부터 발생하는 스트리크가 의도치 않게 포착되곤 한다. 이러한 부수적인 관측은 전용 관측 시간 없이도 상주 우주 물체(RSO)를 특성화할 수 있는 독특한 기회를 제공하지만, 방대한 양의 아카이브 데이터(40,000개 이상의 노출 데이터)와 다양한 이미지 아티팩트의 존재로 인해 수동 분석은 불가능하다. 매칭 필터링이나 허프(Hough)/라돈(Radon) 변환과 같은 기존 탐지 방법들은 계산 비용이 높거나, 선형 아티팩트(예: 회절 스파이크)로 인한 허위 양성 반응(false positives)이 발생하거나, 대규모 조사에 필요한 견고함이 부족하여 어려움을 겪는 경우가 많다. 또한, 상업적 우주 상황 인식(SSA) 서비스는 과학적 용도로 데브리(debris) 관측 데이터를 거의 목록화하지 않으며, 전용 조사들은 운영 비용과 좁은 추적 능력으로 인해 제한적이다. 본 연구에서 다루는 주요 과제는 우주 파편 인구 밀도를 모니터링하고 데이터 오염을 평가하기 위해, OmegaCAM 아카이브 내에서 이러한 스트리크를 탐지, 분류 및 특성화하는 자동화되고 확장 가능한 파이프라인을 개발하는 것이다.

방법론
저자들은 원시 OmegaCAM 이미지를 처리하기 위해 설계된 2단계 딥러닝 파이프라인을 개발하였다:

1. 스트리크 탐지 (HT-LCNN):

   • 초기 탐지는 적응형 허프 변환 룩업 기반 합성곱 신경망(HT-LCNN)을 활용한다. 이 아키텍처는 선형 기하학적 특징의 인식을 강화하기 위해 CNN의 잔차 분기(residual branch) 내에 허프 변환을 통합한다.
   • 모델은 계산 효율성과 맥락 정보 사이의 균형을 맞추기 위해 16비트 단색 원시 이미지로부터 512 × 512 픽셀 크기의 서브크롭(subcrop)을 처리한다.
   • 탐지 후에는 유사한 허프 파라미터($\rho$ 및 $\theta$)를 가진 탐지들을 그룹화하고 가장 먼 끝점을 선택함으로써 스트리크를 전체 CCD 타일로 재구성하는 "스티칭(stitching)" 절차를 거친다. 이 단계는 인접한 탐지들과 정렬되지 않는 단일 객체 허위 양성 반응을 필터링한다.
   • 정밀한 스트리크 중심과 끝점을 결정하기 위해, 탐지된 스트리크를 수평으로 정렬하고, 세그먼트로 분할하며, 횡단 강도(cross-sectional intensity)에 대해 모팻(Moffat) 프로파일을 피팅하는 정밀화 단계를 수행한다.

2. 허위 양성 분류 (False Positive Classification):

   • 회절 스파이크, 포화 블리딩(saturation bleeding), 필터 프린지, 미광(stray light) 등으로 인해 발생하는 높은 허위 양성 발생률을 해결하기 위해, VGG6 아키텍ty 기반의 2차 분류기가 사용된다.
   • 이 분류기는 정밀화된 스트리크의 144 × 144 픽셀 크롭 이미지를 입력받아 진양성(true positive) 탐지에 대한 확률 점수를 출력한다.
   • 훈련 데이터셋은 대기 섬광(scintillation)과 시잉(seeing) 효과를 모델링하기 위해 랑주뱅 역학(Langevin dynamics)을 사용하여 생성된 224,291개의 물리적으로 시뮬레이션된 스트리크와 1,861개의 수동 주석이 달린 실제 스트리크를 결합하여 증강되었다.

3. 아스트로메트릭 교정 및 상관관계 (Astrometric Calibration and Correlation):

   • 탐지된 스트리크는 Astrometry.net을 사용하여 천체 위치(astrometric) 정밀화를 거친다.
   • 결과는 궤도 요소(TLE)를 관측 시간으로 전파하여 예측된 위치와 관측된 스트리크를 각거리(angular separation) 및 위치각(position angle)을 기준으로 비교함으로써 Space-Track 카탈로그와 교차 검증된다.

주요 기여

• 파이프라인 개발: 16비트 원시 데이터 형식에 특화된, HT-LCNN 탐지와 VGG6 분류를 결합한 견고하고 자동화된 파이프라인을 구축하였다.
• 데이터셋 증강: 실제 스트리크 데이터의 부족을 극 overcome하기 위해, 실제 대기 효과(섬광 및 시잉)를 포함한 대규모 물리 시뮬레이션 데브리 스트리크 데이터셋을 생성하였다.
• 아카이브 분석: 본 파이프라인을 1년 치의 VST/OmegaCAM 관측 데이터(1,24let,246,048 CCD 프레임)에 적용하여, 자동화된 우주 파편 모니터링의 규모를 크게 확장하였다.

결과

• 탐지 성능: 증강된 검증 및 테스트 세트에서, 탐지기는 신호 대 잡음비(S/N) > 4인 인공 스트리크에 대해 각각 0.966 및 0.958의 F1-점수를 달성하였다.
• 실제 환경 성능: 2023년 실제 데이터에 적용했을 때, 탐지만 수행했을 경우 이미지 가변성으로 인해 정밀도가 0.783으로 떨어졌다. 그러나 VGG6 분류기를 추가함으로써 진양성의 97%를 유지하면서 허위 양성을 96% 이상 제거하여 정밀도를 0.990까지 높였다.
• 카탈로그 상관관계: 2023년 데이터에 적용한 결과, 25,335개의 스트리크를 식별하였다. 확인된 탐지 중 약 20%는 Space-Track 카탈로그와 상관관계를 찾을 수 없었으며, 이는 미등록 또는 미확인 물체의 탐지를 시사한다.
• 오염 통계: 1년 동안 16.9%의 이미지에 적어도 하나의 스트리크가 포함되어 있었으나, 개별 CCD 중 영향을 받은 것은 1.9%에 불과했다.
• 편향 분석: 파이프라인은 레이더 시스템에 비해 광학 망원경의 낮은 감도로 인해 매우 작은 저궤도(LEO) 데브리를 탐지하는 데 있어 Space-Track 카탈로그 대비 편향을 보였다. 반면, 359km(Starlink)에서 88,060km(SL-6 R/B)에 이르는 고도와 12일에서 거의 65년에 이르는 연령대의 물체들을 성공적으로 탐지하였다.

의의 및 주장
본 논문은 제안된 파이프라인이 실제 아카이브 데이터에서 견고한 성능을 입증하였으며, 표준 추적 방식으로는 놓치기 쉬운 희미하고 미등록된 물체들을 성공적으로 찾아냈다고 주장한다. 저자들은 오픈 액세스 조사 아카이브를 데브리 모니터링에 활용하는 것이 전용 관측 시간 없이도 우주 물체 인구(예: 회전율 및 광도 곡선)에 대한 통찰력을 얻을 수 있는 비용 효율적인 방법임을 강조한다. 또한, 하늘의 어떤 영역도 위성에 의한 광학적 간섭으로부터 자유롭지 않음을 명시하며, 천문 데이터에 미치는 스트리크의 영향을 정확히 정량화하는 것이 필요함을 역설한다. 저자들은 방대한 아카이브의 다양성과 실제 스트리크 형태를 완전히 시뮬레이션하는 것의 어려움으로 인해 모든 실제 환경에 일반화하는 데 한계가 있음을 인정하면서도, 본 접근 방식이 우주 파편 인구를 특성화하고 데이터 오염을 평가하는 데 있어 중요한 진전임을 주장한다.