Muon Hunter: a Zooniverse project
Muon Hunter: a Zooniverse project
复制标题
Muon Hunter：Zooniverse 项目
DOI：
10.1088/1742-6596/1342/1/012103
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Sadeh, I.
中科院分区：
文献类型：
--
作者：
Bird, R.;Daniel, M. K.;Dickinson, H.;Feng, Q.;Fortson, L.;Furniss, A.;Jarvis, J.;Mukherjee, R.;Ong, R.;Sadeh, I.
现代天体粒子实验的原始数据所固有的大型数据集和通常较低的信噪比要求日益复杂的事件分类技术。机器学习算法（例如神经网络）有可能超越传统的分析方法，但面临着从真实数据中识别可靠分类的训练样本的重大挑战。公民科学代表了一种有效地整理大型数据集并应对这一挑战的有效方法。 Muon Hunter 是在 Zooniverse 平台上托管的一个项目，其中志愿者对来自 VERITAS 相机的数据图片进行排序，以识别 μ 子环图像。每幅图像都会被多次分类，以生成一个“干净”的数据集，用于训练和验证卷积神经网络模型，该模型既能够拒绝背景事件，又能够识别合适的校准数据，以监测望远镜随时间变化的性能。
The large datasets and often low signal-to-noise inherent to the raw data of modern astroparticle experiments calls out for increasingly sophisticated event classification techniques. Machine learning algorithms, such as neural networks, have the potential to outperform traditional analysis methods, but come with the major challenge of identifying reliably classified training samples from real data. Citizen science represents an effective approach to sort through the large datasets efficiently and meet this challenge. Muon Hunter is a project hosted on the Zooniverse platform, wherein volunteers sort through pictures of data from the VERITAS cameras to identify muon ring images. Each image is classified multiple times to produce a "clean" dataset used to train and validate a convolutional neural network model both able to reject background events and identify suitable calibration data to monitor the telescope performance as a function of time.
行星猎人发现的奇怪恒星
影响因子：
3.5
作者：
B. Schaefer
通讯作者：
B. Schaefer