基于深度迁移学习的星系巡天数据中叠加源识别
天体物理仪器与方法
2022-01-19 v1 宇宙学与河外天体物理
摘要
我们提出 BlendHunter，一种基于深度迁移学习、用于星系巡天数据中叠加源自动且稳健识别的概念验证方法。我们采用具有预训练卷积层的 VGG-16 网络，并在 COSMOS 图像的参数化模型上训练全连接层。我们通过将在参数化模型上学习到的权重用于识别更逼真的类 CFIS 图像中的叠加源，来检验该迁移学习的有效性。我们将此方法在不同噪声水平及源间分离度下的性能与 SEP（SExtractor 的 Python 实现）进行比较。我们发现，对于紧密叠加源（源间分离度 <10 像素），无论训练所用噪声水平如何，BlendHunter 在分类准确率上均比 SEP 高出约 。此外，只要网络在噪声标准差与目标图像相对接近的数据上训练，该方法对遥远叠加源（源间分离度 像素）能提供与 SEP 一致的结果。代码与数据已公开以确保结果可复现。
引用
@article{arxiv.2110.08180,
title = {Deep Transfer Learning for Blended Source Identification in Galaxy Survey Data},
author = {S. Farrens and A. Lacan and A. Guinot and A. Z. Vitorelli},
journal= {arXiv preprint arXiv:2110.08180},
year = {2022}
}
备注
9 pages, 6 figures, accepted for publication in A&A