结合人类与机器学习进行星系图像形态分析

数字巡天项目收集了数以百万计的星系图像，其重要性日益凸显，这加强了对能够执行大规模星系图像数据库形态分析的稳健方法的需求。公民科学倡议（如 Galaxy Zoo）表明，非科学志愿者可以有效地分析大型星系图像数据集，但由于机器人望远镜生成的数据库增长速度远快于任何公民科学家群体的处理能力，显然需要进行计算机分析。在此，我们提出利用公民科学数据来训练机器学习系统，并展示了实验结果，证明机器学习系统可以使用公民科学数据进行训练。我们的研究结果表明，机器学习的性能取决于数据质量，而通过使用公民科学家之间具有高度一致性的样本可以提高数据质量。该方法的源代码已公开。