Astro-RetinaNet：在拥挤星场中检测和分类天文源
天体物理仪器与方法
2026-03-03 v1
摘要
upcoming next-generation sky surveys 将检测大量亮度为 25 以上（即暗弱）的对象。当对象在有限视场内拥挤时，混合现象不可避免。混合现象会导致在这些场中进行光度测量时遗漏许多源，造成拥挤场中目标数量低估数十个百分点，仍是现有源提取技术面临的主要挑战。尽管人工神经网络在宽视场调查中的检测和分类方面显示出前景，但往往在严重混合的恒星上失败。我们开发了基于 Retinanet 算法的稳健深度学习模型 Astro-RetinaNet，用于检测和分类单波段天文图像中的混合源。在对模拟图像进行训练和评估后，我们发现该网络在单颗恒星、2颗恒星、3颗恒星、4颗恒星和 5颗以上恒星混合情况下的精确率分别为 0.96、0.89、0.70、0.50、0.75，星密度约为每平方弧分钟 22000 颗。我们将方法的检测能力和完整性与 CSST 模拟的 NGC 2298 图像以及 HST 观测的 M31 图像进行比较。在模拟的 NGC 2298 中拥挤和非拥挤星场，结果显示该模型在 magnitude（i 波段）为 25 时可恢复 82% 和 95% 的目标，而 SExtractor 和 Photutils 的完整性分别降至 20%、59% 和 60%、88%。在 M31 情形下，Astro-RetinaNet 在拥挤场中以 27 级 magnitude（F814W）检测到 2224 个源，显著优于 Photutils 和 SExtractor 分别高出 3.4 倍和 7.1 倍。
关键词
引用
@article{arxiv.2603.00473,
title = {Detection and classification of astronomical sources with Astro-RetinaNet in crowded stellar fields},
author = {Yibo Yan and Chao Liu and Jiadong Li and Feng Wang},
journal= {arXiv preprint arXiv:2603.00473},
year = {2026}
}
备注
APJs Accepted