Stellar Density Classification and Regression for CSST Multi-color Imaging Using Deep Learning

Resumo Técnico: Classificação e Regressão de Densidade Estelar para Imagens Multicoloridas do CSST Usando Aprendizado Profundo

Declaração do Problema
O Telescópio de Levantamento da Estação Espacial Chinesa (CSST) foi projetado para mapear o universo em uma faixa dinâmica sem precedentes de densidades estelares, abrangendo desde vazios extragalácticos (algumas fontes) até o centro galáctico lotado (>10⁵ fontes por detector). Processar dados tão heterogêneos com um único pipeline de extração de fontes de propósito geral introduz incertezas sistemáticas significativas. Algoritmos padrão, como o SExtractor, sofrem com baixa precisão e aumento da incerteza astrométrica em campos densos devido à mistura de fontes e ao ruído de fundo dominado por fontes não resolvidas. Por outro lado, ferramentas iterativas especializadas como o DAOPHOT são computacionalmente proibitivas e instáveis em regiões esparsas. O modo de levantamento contínuo do CSST inevitavelmente atravessa esses regimes de densidade variável, necessitando de uma abordagem adaptativa para garantir a fidelidade fotométrica e astrométrica.

Metodologia
Para enfrentar esses desafios, os autores propõem uma estrutura hierárquica de aprendizado profundo em dois estágios, projetada para redução de dados adaptativa. O sistema desacopla a caracterização da densidade da extração de fontes, permitindo que algoritmos a jusante sejam otimamente ajustados ao ambiente específico de densidade estelar.

1. Preparação de Dados:

   • Simulação: O estudo utiliza dados simulados de alta fidelidade em nível de pixel, gerados pelo software de simulação do CSST, cobrindo uma região do céu de 25 deg² e vários campos representativos (incluindo o Centro Galáctico, Fornax e anãs esferoidais de Sculptor).
   • Pré-processamento: Imagens originais de 9232×9216 pixels são processadas usando um pipeline de padronização consciente de máscaras. Pixels inválidos (NaNs, infinitos) são preenchidos com zero, e pixels válidos são padronizados. As imagens são redimensionadas para 224×224 pixels, criando um tensor de dois canais (imagem + máscara binária) para preservar informações espaciais sobre vazios de dados.
   • Aumento: Os conjuntos de treinamento são expandidos quatro vezes usando inversão horizontal, rotações discretas e jittering de cor aleatório para aumentar a diversidade e reduzir o sobreajuste.

2. Estágio 1: Classificação de Densidade (ResNet-34):

   • Objetivo: Categorizar imagens em seis classes discretas de densidade (variando de 0 a >10⁵ estrelas por imagem).
   • Arquitetura: Um modelo ResNet-34 é empregado, modificado para aceitar entradas de dois canais. Utiliza conexões residuais para mitigar gradientes que desaparecem e pooling global médio para reduzir o sobreajuste.
   • Treinamento: O modelo é treinado usando perda de Entropia Cruzada e o otimizador AdamW com clipping de gradiente e parada antecipada.
   • Seleção: Entre as arquiteturas testadas (VGGNet-16, DenseNet-121, AlexNet, CNN de Base), o ResNet-34 foi selecionado por seu equilíbrio ótimo entre alta precisão (98,83%) e eficiência computacional (2,77 ms/imagem), evitando os gargalos de memória do DenseNet e a menor precisão de modelos mais leves.

3. Estágio 2: Regressão de Estrelas Brilhantes (ResNet-50):

   • Objetivo: Prever a contagem precisa de estrelas brilhantes (<23,5 mag) dentro de um campo, um parâmetro crítico para calibração astrométrica.
   • Arquitetura: Um modelo ResNet-50 mais profundo, pré-treinado no ImageNet e ajustado, serve como motor de regressão. A cabeça de classificação é substituída por uma cabeça de regressão personalizada (512-256-128-1 neurônios) com dropout e normalização em lote.
   • Treinamento: Uma abordagem de treinamento em etapas é usada, descongelando camadas progressivamente. Uma função de perda combinada personalizada (integrando MSE, MAE e MSE Relativo) é aplicada para lidar com a ampla faixa dinâmica de contagens de estrelas. Os rótulos sofrem uma transformação logarítmica ($y' = \log_{10}(1+y)$) para estabilizar o treinamento.

Principais Contribuições

• Estrutura Hierárquica: O artigo introduz um pipeline em dois estágios que usa classificação como um "portão de decisão" para rotear dados para ramos de processamento especializados, enquanto simultaneamente usa regressão para avaliar a qualidade da calibração.
• Processamento Adaptativo: Ao desacoplar a estimativa de densidade da extração de fontes, o modelo garante que algoritmos fotométricos e astrométricos sejam dinamicamente ajustados à densidade estelar local, mitigando erros sistemáticos tanto em campos densos quanto esparsos.
• Otimização de Modelo: O estudo avalia rigorosamente múltiplos backbones de CNN, demonstrando que o ResNet-34 oferece o melhor compromisso entre precisão e vazão para a tarefa de classificação, enquanto o ResNet-50 fornece a capacidade necessária para regressão precisa.
• Robustez à Faixa Dinâmica: A estrutura lida com sucesso com uma faixa de densidade estelar que abrange cinco ordens de grandeza (0 a >10⁵), uma escala que tipicamente quebra pipelines padrão.

Resultados

• Desempenho de Classificação: O classificador ResNet-34 alcançou uma precisão global de 98,83%. Demonstrou desempenho excepcional nas extremidades, com 100% de precisão/recall para campos vazios (Classe 0) e 99,62% para os campos mais densos (Classe 5). As classificações incorretas foram principalmente "erros suaves" ocorrendo nas fronteiras das classes (por exemplo, perto do limiar de 1.000 fontes), que têm impacto mínimo no roteamento do pipeline a jusante.
• Desempenho de Regressão: O modelo de regressão ResNet-50 alcançou um Erro Absoluto Médio (MAE) de 0,0824 dex e um RMSE de 0,1333 na escala logarítmica. Isso se traduz em um fator de erro de previsão médio de aproximadamente 1,21 (±21%). O modelo alcançou uma pontuação $R^2$ de 0,9076, indicando que captura mais de 90% da variância nas contagens de estrelas brilhantes.
• Eficiência: O tempo de inferência é altamente eficiente, com o modelo de classificação processando imagens em ~2,77 ms e o modelo de regressão em ~0,1 ms, tornando-o adequado para integração em tempo real no pipeline de redução de dados do CSST.

Significado e Alegações
Os autores afirmam que esta estrutura aprimora significativamente a fidelidade e a homogeneidade dos produtos de dados do CSST, garantindo que os algoritmos de redução corretos sejam aplicados com base na densidade estelar local. Ao atuar como um portão de decisão crítico, o estágio de classificação impede que algoritmos padrão falhem em campos densos e evita o desperdício computacional de usar ferramentas especializadas em vazios. O estágio de regressão fornece uma métrica confiável para calibração astrométrica, permitindo que o pipeline sinalize campos com fontes de referência insuficientes.

O artigo posiciona este trabalho como um módulo fundamental para futuros levantamentos de grandes áreas do céu que devem operar em paisagens estelares heterogêneas. Embora os modelos atuais sejam treinados em dados simulados, os autores afirmam que a estrutura fornece uma base robusta, automatizada e computacionalmente eficiente que pode ser ajustada com dados reais de comissionamento do CSST para fechar a lacuna entre simulação e observação. A abordagem é apresentada como uma solução para os vieses sistemáticos introduzidos por estratégias de levantamento estáticas e de "tamanho único".