利用弱标签进行延展射电源星系形态识别的深度学习

Nikhel Gupta; Zeeshan Hayder; Ray P. Norris; Minh Huynh; Lars Petersson; X. Rosalind Wang; Heinz Andernach; Bärbel S. Koribalski; Miranda Yew; Evan J. Crawford

利用弱标签进行延展射电源星系形态识别的深度学习

天体物理仪器与方法 2023-08-11 v1 宇宙学与河外天体物理星系天体物理计算机视觉与模式识别机器学习

作者: Nikhel Gupta , Zeeshan Hayder , Ray P. Norris , Minh Huynh , Lars Petersson , X. Rosalind Wang , Heinz Andernach , Bärbel S. Koribalski , Miranda Yew , Evan J. Crawford

在 arXiv 上查看 ↗ PDF ↗

摘要

本工作讨论了一种弱监督深度学习算法，可降低为多组分复杂射电源星系标注像素级掩膜的成本。该算法在射电源星系的弱类别级标签上训练以获类激活图(CAMs)。CAMs 进一步经像素间关系网络(IRNet)精炼，得到射电源星系上的实例分割掩膜及其红外寄主位置。我们使用来自澳大利亚平方公里阵列探路者(ASKAP)望远镜的数据，具体为演化地图宇宙(EMU)先导巡天，其覆盖 270 平方度天区，RMS 灵敏度为 25-35 $\mu$ Jy/beam。我们证明弱监督深度学习算法能在预测像素级信息(包括封装所有星系组分的延展射电发射掩膜及红外寄主星系位置)上达到高准确度。我们使用标准交并比(IoU)阈值为 0.5 时的各类平均精度均值(mAP)评估方法性能。我们显示该模型对射电掩膜与红外寄主位置分别取得 67.5\% 与 76.8\% 的 mAP $_{50}$ 。网络架构可于以下链接获取：https://github.com/Nikhel1/Gal-CAM

关键词

弱监督学习深度学习射电源星系实例分割类激活图 ASKAP EMU 巡天

引用

@article{arxiv.2308.05166,
  title  = {Deep Learning for Morphological Identification of Extended Radio Galaxies using Weak Labels},
  author = {Nikhel Gupta and Zeeshan Hayder and Ray P. Norris and Minh Huynh and Lars Petersson and X. Rosalind Wang and Heinz Andernach and Bärbel S. Koribalski and Miranda Yew and Evan J. Crawford},
  journal= {arXiv preprint arXiv:2308.05166},
  year   = {2023}
}

备注

14 pages, 6 figues, accepted for publication in PASA

利用弱标签进行延展射电源星系形态识别的深度学习

摘要

关键词

引用

备注

相关论文