利用半监督深度学习检测 DESI Legacy Imaging Surveys 中的银河环形结构
星系天体物理
2025-07-11 v1
摘要
星系盘的环形结构对理解星系演化和动力学至关重要。然而，由于环形星系稀缺且识别困难，传统方法往往难以有效获取统计显著的样本。为此，本研究采用 novel 半监督深度学习模型 GC-SWGAN 来从 DESI Legacy Imaging Surveys 的高分辨率图像中识别星系环。我们从 Southern Ringed Galaxies (CSRG) 和 GZ2 目录中的 Northern Ringed Galaxies (GZ2-CNRG) 中选取超过 5000 个经 R. J. Buta 经形态学专家确认的环形星系，以创建标注训练集。此外，我们纳入了从 Galaxy Zoo 2 数据集中严格筛选的非环形星系样本，并利用 DESI Legacy Surveys 中的未标注数据进行训练。通过半监督学习，该模型显著减少了对大量标注数据的依赖，同时增强了鲁棒性和泛化能力。在测试集上，它在识别环形星系方面表现出色。当概率阈值为 0.5 时，分类准确率达到 97\%，环形星系的精确率和召回率分别为 94\% 和 93\%。基于这些结果，我们预测了来自 DESI Legacy Imaging Surveys 的 75 万张 r 波段亮度小于 17.0、红移范围为 0.0005 < z < 0.25 的星系图像，编织了目前最大规模的环形星系目录，包含 62,962 个具有环形结构的星系。该目录为后续研究星系环的形成机制和演化历史提供了必要数据。
引用
@article{arxiv.2507.07552,
title = {Detecting Galactic Rings in the DESI Legacy Imaging Surveys with Semi-Supervised Deep Learning},
author = {Jianzhen Chen and Zhijian Luo and Cheng Cheng and Jun Hou and Shaohua Zhang and Chenggang Shu},
journal= {arXiv preprint arXiv:2507.07552},
year = {2025}
}
备注
21 pages, 9 figures