Abstract
We present the Deep-learning Transient Astronomical Object (Deep-TAO), a dataset of 1,249,079 annotated images from the Catalina Real-time Transient Survey, including 3,807 transient and 12,500 non-transient sequences. Deep-TAO has been curated to provide a clean, open-access, and user-friendly resource for benchmarking deep learning models. Deep-TAO covers transient classes such as blazars, active galactic nuclei, cataclysmic variables, supernovae, and events of an indeterminate nature. The dataset is publicly available in FITS format, with Python routines and Jupyter notebooks for easy data manipulation. Using Deep-TAO, a baseline Convolutional Neural Network outperformed traditional random forest classifiers trained on light curves, demonstrating its potential for advancing transient classification.
Resumen
Presentamos Deep-learning Transient Astronomical Object (Deep-TAO), un conjunto de 1,249,079 imágenes anotadas del Catalina Real-time Transient Survey, que incluyen 3,807 secuencias transientes y 12,500 no transientes. Deep-TAO ha sido diseñado como un recurso limpio, de acceso abierto y fácil de usar, ideal para evaluar y comparar modelos de aprendizaje profundo. Incluye eventos transientes como blazares, núcleos galácticos activos, variables cataclísmicas, supernovas y eventos de naturaleza indeterminada. El conjunto de datos está disponible públicamente en formato FITS, acompañado de rutinas en Python y cuadernos de Jupyter que facilitan su uso. Utilizando Deep-TAO, una red neuronal convolucional básica superó el desempeño de clasificadores tradicionales basados en bosques aleatorios entrenados con curvas de luz, demostrando su potencial para mejorar la clasificación de eventos transientes.