AstroVaDEr：用于星系无监督形态分类与合成图像生成的天文变分深度嵌入器
天体物理仪器与方法
2020-12-02 v2 星系天体物理
摘要
我们提出 AstroVaDEr，一种利用天文成像星表执行无监督聚类与合成图像生成的变分自编码器。该模型是一个卷积神经网络，学习将图像嵌入到低维潜空间中，并同时在嵌入向量上优化高斯混合模型（GMM）以对训练数据进行聚类。通过利用变分推断，我们能够将学习到的高斯混合模型作为潜空间上的统计先验，以促进随机采样和合成图像的生成。我们通过使用来自斯隆数字巡天（Sloan Digital Sky Survey）的灰阶 gri 图像训练 AstroVaDEr 来展示其能力，所用星系样本由 Galaxy Zoo 2 分类。我们找到了一种无监督聚类模型，其基于轴比、表面亮度轮廓、朝向以及伴星系存在性等学习到的形态学特征来分离星系。我们利用学习到的混合模型，基于高斯分量的形态学轮廓生成星系的合成图像。AstroVaDEr 成功地从无标签数据中产生了形态学分类方案，但意外地将伴天体存在性赋予了很高的重要性——这展示了人类解释的重要性。该网络具有可扩展性和灵活性，允许对更大数据集进行分类，或处理不同种类的成像数据。我们还展示了该模型的生成特性，其允许从学习到的分类方案中采样出逼真的星系合成图像。这些可用于创建合成图像星表，或执行如去重叠（deblending）等图像处理任务。
引用
@article{arxiv.2009.08470,
title = {AstroVaDEr: Astronomical Variational Deep Embedder for Unsupervised Morphological Classification of Galaxies and Synthetic Image Generation},
author = {Ashley Spindler and James E. Geach and Michael J. Smith},
journal= {arXiv preprint arXiv:2009.08470},
year = {2020}
}
备注
Accepted in MNRAS. 23 Pages, 16 Figures. GitHub: https://github.com/AshleySpindler/AstroVaDEr-Public