<scp>DeepSource</scp>：基于深度学习的点源检测

1：实验设计与方法选择：

本研究采用名为DEEPSOURCE的深度卷积神经网络进行点源检测。该CNN经过训练可将含相关噪声的输入图像转换为增强点源特征的待测图像，随后应用阈值化斑块检测（TBD）算法进行源识别。通过与PYBDSF工具比较纯度和完整度指标评估性能。

2：样本选择与数据来源：

生成两组500幅1°×1°的MeerKAT模拟图像，每平方度随机分布300个点源。源信号从截断值SNR=0.1的指数信噪比分布中采样，确保约45%源的信噪比<1.0。图像分别采用自然权重（R=1.5）和均匀权重（R=-1.5）生成。

3：1的指数信噪比分布中采样，确保约45%源的信噪比<0。图像分别采用自然权重（R=5）和均匀权重（R=-5）生成。 实验设备与材料清单：

3. 实验设备与材料清单：模拟图像通过STIMELA和MEQTREES软件包生成，使用MeerKAT望远镜配置（64天线）。成像处理在配备四块GPU的40核服务器上采用WSCLEAN完成。CNN架构包含五层5×5滤波器，含批量归一化和RELU激活函数。

4：实验流程与操作步骤：

按设定参数（如合成时间1小时、频率1400MHz）模拟图像。CNN使用200幅图像训练，10幅验证图像优化超参数，290幅图像测试。TBD算法用于动态阈值分割和斑块检测，其超参数（α、Δmax、Amin）经优化确定。

5：数据分析方法：

通过纯度（检测结果中真阳性比例）和完整度（被检测到的真实源比例）评估性能，计算PC得分（纯度×完整度）及S90指标（纯度与完整度均≥0.9时的信噪比）。采用2/3波束半径的交叉匹配确定真阳性样本。