多类与二分类机器学习模型在强引力透镜识别中的比较
星系天体物理
2020-03-18 v1 计算机视觉与模式识别
摘要
通常，二分类透镜搜寻方案被用于区分透镜候选体与非透镜。然而，这些模型常受到大量假阳性分类的困扰。此类假阳性经常由于图像中包含诸如拥挤源、带旋臂的星系，以及具有中心源和较小周围源的图像等物体而发生。因此，模型可能将所述情形与爱因斯坦环相混淆。有人提出，通过允许此类常被误分类的图像类型构成其自身的类别，机器学习模型将更容易学习包含真实透镜的图像与包含透镜冒名者图像之间的差异。利用哈勃空间望远镜（HST）在 F814W 滤光片下的图像，我们比较了应用于透镜搜寻任务的二分类与多分类模型的使用。根据我们的发现，我们得出结论：相较于二分类模型，使用多分类模型并无显著益处。我们还将展示使用多分类机器学习模型进行简单透镜搜寻的结果，以及潜在的新透镜候选体。
引用
@article{arxiv.2002.11849,
title = {Comparison of Multi-Class and Binary Classification Machine Learning Models in Identifying Strong Gravitational Lenses},
author = {Hossen Teimoorinia and Robert D. Toyonaga and Sebastien Fabbro and Connor Bottrell},
journal= {arXiv preprint arXiv:2002.11849},
year = {2020}
}
备注
PASP accepted, 14 pages, 10 figures, 4 tables