DeepShadows：利用深度学习将低面亮度星系与伪影分离

在星系巡天中搜寻低面亮度星系（LSBGs）一直受大量伪影（例如，混合于恒星和星系弥漫光中的天体、银河卷云、旋涡星系旋臂中的恒星形成区等）的困扰，这些伪影必须通过耗时的目视检查来剔除。在未来的巡天中，预计将收集数百 PB 数据并探测数十亿天体，此类方法将不可行。我们研究了使用卷积神经网络（CNNs）解决巡天图像中 LSBGs 与伪影分离的问题。我们利用以下事实：首次可获得来自暗能量巡天的大量已标注 LSBGs 和伪影，我们用其训练、验证和测试一个 CNN 模型。该模型我们称之为 DeepShadows，测试准确率达 $92.0\%$，相对于基于特征的机器学习模型有显著提升。我们还研究了使用迁移学习使该模型适应对更深的 Hyper-Suprime-Cam 巡天中的天体进行分类，并表明在模型使用新巡天中极小样本重新训练后，可达到 $87.6\%$ 的准确率。这些结果表明，CNNs 在为研究低面亮度宇宙而进行的探索中提供了一条非常有前景的路径。