使用卷积神经网络按旋臂数对旋涡星系进行分类

旋涡星系的结构信息，如旋臂数，为其形成过程及在星系演化中的物理作用提供了宝贵见解。我们基于CNN开发了分类器，使用EfficientNet架构的变体，结合不同的迁移学习技术和预训练权重，按旋臂数对旋涡星系进行分类。使用来自GZ2的数据集，包含根据适当标准筛选后的11718张图像，用于训练和评估。在ImageNet上微调的EfficientNetV2M模型和具有Zoobot预训练权重的EfficientNetB0模型在降采样数据集上均取得了高精度，除4臂星系因该类样本数量有限外，所有类别的多数性能指标均超过0.8。合并更高臂数类别（超过4臂）显著提升了V2M模型对4臂星系的准确率，因为该方法使模型能够专注于更独特的特征，并具有更平衡的类别分布。GradCAM++和SmoothGrad突出了网络在星系分类中的有效性，通过区分星系结构和提取旋臂，V2M模型在这两项任务中表现出更强的能力。低臂星系在旋臂不清晰时往往被误分类为“无法判断”，而高臂星系在特征仅被部分检测到时往往被误分类为臂数较少。研究还发现，3臂星系的恒星质量往往较低，且这种趋势在模型预测中有所减弱。模型在2臂与1/3臂之间的误判可能源于外部干扰和旋臂的动态特性。V2M模型的预测还显示出高臂星系恒星质量略高的趋势。