基于深度学习的边缘及高度倾斜星系检测与分割
星系天体物理
2025-04-04 v2
摘要
边缘星系在星系天体物理学中具有重要应用，但在庞大的天文数据中难以识别。为便于搜索此类星系，我们开发了一种深度学习算法，用于从天文图像中识别和提取边缘星系。我们利用 Galaxy Zoo 数据库中关于边缘螺旋星系的样本，分别从 Sloan Digital Sky Survey (SDSS) 中检索相应图像。数据集约包含 16,000 颗星系，我们用以训练 YOLOv5 算法进行检测。为从背景中隔离星系，我们训练 SCSS-Net 神经网络生成分割掩码。结果发现，该算法检测到 8,000 颗边缘星系，并据此编译了包括从 SDSS 数据库中获取的星系参数的目录。我们描述了样本的基本特性，发现大多数星系的红移范围在 0.02<z<0.10， b/a 参数较小，且大多数为红色，这与边缘星系的预期特性相符，与我们的训练样本以及其他文献结果一致。检测到的星系裁切图可用于未来的研究，该算法也可应用于未来调查的数据。
引用
@article{arxiv.2406.15064,
title = {Deep Learning-based Detection and Segmentation of Edge-on and Highly Inclined Galaxies},
author = {Z. Chrobakova and V. Kresnakova and R. Nagy and J. Gazdova and P. Butka},
journal= {arXiv preprint arXiv:2406.15064},
year = {2025}
}
备注
18 pages, 17 figures, 3 tables. Accepted in PASP, comments are welcome