Coronal Mass Ejections (CMEs) are the most violent solar bursts. They cause severe disturbances in the solar–terrestrial space and affect human activities in many aspects, especially causing damage to high-tech infrastructure. It usually takes few hours for a CME to arrive at the Earth after eruption. Therefore, many efforts have been devoted to CME arrival time prediction, so that we have enough time to take action before a CME arrives at the Earth. For predicting CME arrival time, it is vital to detect the CME origin, arrival and departure speed in a coronagraph. It has been widely accepted that Extreme Ultraviolet (EUV) waves are associated with CMEs, so EUV waves are the signatures of CMEs as CMEs originate and traverse the solar disk, specifically for front-side CMEs. In this paper, two deep neural networks are developed to first detect EUV waves and then outline their wavefronts, giving early signatures of CMEs. Usually, CMEs are recorded by coronagraphs as they transit the corona, so our proposed method can obtain a certain time ahead compared with conventional CME forecasting. In addition, the parameters for describing EUV waves can be more easily deduced, benefiting the subsequent statistical analysis of CMEs. The experimental results demonstrate the effectiveness of the proposed model for detecting EUV waves and generating their outlines.

中文翻译：

---

使用深度学习进行 EUV 波检测和表征

日冕物质抛射（CME）是最猛烈的太阳爆发。它们对日地空间造成严重干扰，并在多方面影响人类活动，特别是对高科技基础设施造成破坏。CME 在喷发​​后通常需要几个小时才能到达地球。因此，在CME到达时间预测方面做了很多努力，以便在CME到达地球之前我们有足够的时间采取行动。为了预测 CME 到达时间，在日冕仪中检测 CME 的起源、到达和离开速度至关重要。人们普遍认为，极紫外 (EUV) 波与 CME 相关，因此当 CME 起源并穿过太阳盘时，EUV 波是 CME 的特征，特别是对于正面 CME。在本文中，开发了两个深度神经网络，首先检测 EUV 波，然后勾勒出它们的波前，给出 CME 的早期特征。通常，CME 在经过日冕时被日冕仪记录下来，因此与传统的 CME 预测相比，我们提出的方法可以提前一定时间。此外，可以更容易地推导出描述EUV波的参数，有利于CME的后续统计分析。实验结果证明了所提出的模型在检测 EUV 波和生成其轮廓方面的有效性。可以更容易地推导出描述 EUV 波的参数，有利于 CME 的后续统计分析。实验结果证明了所提出的模型在检测 EUV 波和生成其轮廓方面的有效性。可以更容易地推导出描述 EUV 波的参数，有利于 CME 的后续统计分析。实验结果证明了所提出的模型在检测 EUV 波和生成其轮廓方面的有效性。