面向射电星系形貌分类的E(2)等价特征
天体物理仪器与方法
2025-06-30 v2 星系天体物理
摘要
随着新射电望远镜设施数据的增长，针对射电星系形貌分类的机器学习方法日益受到关注。然而，虽然卷积神经网络（CNN）等广泛使用的深度学习模型对图像内的平移等变，但大多数机器学习方法都不等变于欧几里得平面上的其他等距变换，如旋转和反射。最近的工作尝试使用G可驰 CNN，这类网络设计用于等变于指定的二维欧几里得变换子集，即E(2)。虽然这种方法改进了模型性能，但计算成本的高低人所知悉。本文考虑直接提取E(2)等价特征用于射电星系分类。具体而言，我们研究使用Minkowski函数（MFs）、Haralick特征（HFs）和椭圆傅里叶描述符（EFDs）。我们表明，尽管这些特征在准确率方面不如CNN，但能够提供关于射电星系分类的信息，仅需约50倍的计算运行时间。我们展示了MFs最具信息量，EFDs最不信息丰富，并表明三者组合仅带来增量性的性能提升，这我们认为是由于特征集之间存在信息重叠所致。
关键词
引用
@article{arxiv.2406.09024,
title = {E(2)-Equivariant Features in Machine Learning for Morphological Classification of Radio Galaxies},
author = {Natalie E. P. Lines and Joan Font-Quer Roset and Anna M. M. Scaife},
journal= {arXiv preprint arXiv:2406.09024},
year = {2025}
}
备注
accepted Royal Astronomical Society Techniques & Instruments (RASTI)