利用卷积神经网络推导星团参数 I：年龄、质量与尺度
星系天体物理
2019-01-16 v2 计算机视觉与模式识别
摘要
背景。卷积神经网络（CNN）已被证明能够对自然图像进行快速分类与检测，并有望在呈指数增长的巡天成像数据上推断天体物理参数。该推断流程既可从真实人工标注数据训练，也可从模拟仿真观测训练。迄今为止，星团分析依赖于积分或单个分辨恒星测光，这限制了从星团图像中提取的信息量。目的。开发一种基于 CNN 的算法，旨在直接从多波段图像同时推导星团的年龄、质量和尺度；并在低信噪比条件下针对低质量半分辨星团展示 CNN 的能力。方法。基于深度残差网络（ResNet）架构构建 CNN，并在具有不同年龄、质量和尺度的星团模拟图像上训练。为提供真实背景，将取自 PHAT 巡天的 M31 星场加入模拟星团图像。结果。所提出的 CNN 在人工星团模拟图像上得到验证，对年龄 3 Gyr、质量介于 250 至 4,000 的星团表现出高精度且无显著偏差。该流程为端到端，从输入图像直达推断参数，无需执行任何手工编码步骤：参数估计由神经网络从原始图像一步推断完成。
引用
@article{arxiv.1807.07658,
title = {Deriving star cluster parameters with convolutional neural networks. I. Age, mass, and size},
author = {J. Bialopetravičius and D. Narbutis and V. Vansevičius},
journal= {arXiv preprint arXiv:1807.07658},
year = {2019}
}
备注
11 pages, 12 figures