基于深度学习的 S-PLUS 第一数据发布星系形态学评估

星系的形态多样性是探测星系演化与宇宙学结构形成的重要途径,但在大型天区巡天中对星系的分类正成为一项重大挑战。我们利用南天光学本地宇宙巡天(Southern Photometric Local Universe Survey, S-PLUS)在十二个光学波段对 Stripe-82 区域的观测数据,给出星等亮于 $r=17$ mag 的星系形态星表,该星表同时基于一种新颖的多波段形态拟合技术以及用于计算机视觉的卷积神经网络(Convolutional Neural Networks, CNNs)确定。利用 CNNs,我们发现与使用 3 个波段的基线结果相比,使用 5 个宽带与 3 个窄带时性能提升,但使用完整 $12$ 波段 S-PLUS 图像集时性能更差。然而,当使用来自 ImageNet 数据集的预训练网络权重时,仅用 3 个光学波段仍取得最佳结果。这些结果证明了在可用时,利用基于不相关大规模数据集训练的神经网络权重的先验知识的重要性。我们的星表包含 Stripe-82 中 3274 个未出现在 Galaxy Zoo 1 (GZ1) 里的星系,并且我们还提供了对 GZ1 中被视为模糊的 4686 个星系的分类。最后,我们展望了一种利用形态特征发挥 $12$ 波段信息优势用于形态分类的新方法,并发布了一个已在多个波段上预训练的模型,可适配于其他巡天数据的分类。形态学星表已公开可用。