FRTSearch: Unified Detection and Parameter Inference of Fast Radio Transients using Instance Segmentation

📄 arXiv: 2604.12344v1 📥 PDF

作者: Bin Zhang, Yabiao Wang, Xiaoyao Xie, Shanping You, Xuhong Yu, Qiuhua Li, Hongwei Li, Shaowen Du, Chenchen Miao, Dengke Zhou, Jianhua Fang, Jiafu Wu, Pei Wang, Di Li

分类: astro-ph.IM, cs.AI

发布日期: 2026-04-14

备注: Accepted for publication in The Astrophysical Journal Supplement Series (ApJS)

💡 一句话要点

FRTSearch：利用实例分割统一快速射电瞬变的检测与参数推断

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 快速射电瞬变 实例分割 深度学习 射电天文学 模式识别

📋 核心要点

  1. 传统单脉冲搜索算法计算量大，易受射频干扰，导致快速射电瞬变（FRT）检测中存在高误报率。
  2. FRTSearch将FRT检测转化为模式识别问题，利用Mask R-CNN进行轨迹分割，并结合IMPIC算法推断物理参数。
  3. 实验表明，FRTSearch在召回率上与传统方法相当，同时显著降低了误报率，并提高了处理速度，且具有良好的泛化能力。

📝 摘要（中文）

现代射电望远镜产生的数据呈指数级增长，对传统单脉冲搜索算法提出了重大挑战，这些算法计算密集，且易受射频干扰（RFI）影响，导致高误报率。本文介绍FRTSearch，一个端到端框架，统一了快速射电瞬变（FRT）的检测和物理特征描述。利用时频动态频谱中色散轨迹的形态普适性，我们将FRT检测重新定义为由冷等离子体色散关系控制的模式识别问题。为此，我们构建了CRAFTS-FRT数据集，这是一个像素级标注数据集，源自Commensal Radio Astronomy FAST Survey (CRAFTS)，包含来自不同源类别的2392个实例。该数据集支持训练Mask R-CNN模型以进行精确的轨迹分割。结合我们物理驱动的IMPIC算法，该框架将分割轨迹的几何坐标映射到色散量（DM）和到达时间（ToA）的直接推断。在FAST-FREX数据集上的基准测试表明，FRTSearch实现了98.0%的召回率，与穷举搜索方法相比具有竞争力，同时与PRESTO相比，误报率降低了99.9%以上，处理速度提高了13.9倍。此外，该框架展示了强大的跨设施泛化能力，无需重新训练即可检测到来自ASKAP调查的所有19个经过测试的FRB。通过将范式从“搜索然后识别”转变为“检测和推断”，FRTSearch为petabyte级射电天文学时代的实时发现提供了一种可扩展、高精度的解决方案。

🔬 方法详解

问题定义：论文旨在解决快速射电瞬变（FRT）检测中传统单脉冲搜索算法计算密集、易受射频干扰导致高误报率的问题。现有方法通常采用“搜索然后识别”的范式，效率低下，难以应对现代射电望远镜产生的海量数据。

核心思路：论文的核心思路是将FRT检测重新定义为一个模式识别问题，利用FRT在时频动态频谱中的色散轨迹的形态普适性，通过深度学习方法直接检测和推断FRT的物理参数，从而避免了传统方法的穷举搜索过程。

技术框架：FRTSearch框架主要包含以下几个阶段：1) 数据集构建：构建CRAFTS-FRT数据集，包含像素级标注的FRT实例。2) 轨迹分割：使用Mask R-CNN模型对时频动态频谱中的FRT轨迹进行精确分割。3) 参数推断：利用物理驱动的IMPIC算法，将分割轨迹的几何坐标映射到色散量（DM）和到达时间（ToA）等物理参数。

关键创新：最重要的技术创新点在于将FRT检测问题转化为实例分割问题，并利用深度学习模型直接从时频动态频谱中提取FRT的特征，从而实现端到端的检测和参数推断。与传统方法相比，FRTSearch避免了耗时的搜索过程，并能有效降低误报率。

关键设计：CRAFTS-FRT数据集的构建是关键，它为模型训练提供了高质量的标注数据。Mask R-CNN模型的选择使其能够同时进行FRT轨迹的检测和分割。IMPIC算法的设计基于冷等离子体色散关系，能够将分割结果与物理参数联系起来。损失函数的设计需要平衡检测精度和分割精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FRTSearch在FAST-FREX数据集上实现了98.0%的召回率，与穷举搜索方法相当，同时与PRESTO相比，误报率降低了99.9%以上，处理速度提高了13.9倍。此外，该框架无需重新训练即可检测到来自ASKAP调查的所有19个经过测试的FRB，展示了强大的跨设施泛化能力。

🎯 应用场景

FRTSearch可应用于实时射电天文学数据处理，加速快速射电瞬变的发现和研究。该框架能够处理海量数据，降低误报率，提高检测效率，有助于科学家们更好地理解宇宙中的高能物理现象，例如中子星、黑洞等。

📄 摘要（原文）

The exponential growth of data from modern radio telescopes presents a significant challenge to traditional single-pulse search algorithms, which are computationally intensive and prone to high false-positive rates due to Radio Frequency Interference (RFI). In this work, we introduce FRTSearch, an end-to-end framework unifying the detection and physical characterization of Fast Radio Transients (FRTs). Leveraging the morphological universality of dispersive trajectories in time-frequency dynamic spectra, we reframe FRT detection as a pattern recognition problem governed by the cold plasma dispersion relation. To facilitate this, we constructed CRAFTS-FRT, a pixel-level annotated dataset derived from the Commensal Radio Astronomy FAST Survey (CRAFTS), comprising 2{,}392 instances across diverse source classes. This dataset enables the training of a Mask R-CNN model for precise trajectory segmentation. Coupled with our physics-driven IMPIC algorithm, the framework maps the geometric coordinates of segmented trajectories to directly infer the Dispersion Measure (DM) and Time of Arrival (ToA). Benchmarking on the FAST-FREX dataset shows that FRTSearch achieves a 98.0\% recall, competitive with exhaustive search methods, while reducing false positives by over 99.9\% compared to PRESTO and delivering a processing speedup of up to $13.9\times$. Furthermore, the framework demonstrates robust cross-facility generalization, detecting all 19 tested FRBs from the ASKAP survey without retraining. By shifting the paradigm from search-then-identify'' todetect-and-infer,'' FRTSearch provides a scalable, high-precision solution for real-time discovery in the era of petabyte-scale radio astronomy.