通过自监督表示实现天文图像中的无监督发现

无监督学习是机器学习的一个分支，可作用于无标签数据，已被证明是天文学中数据探索与发现的强大工具。随着大型巡天与新望远镜带来数据规模与丰富度的快速增长，这些技术有望发现新型天体类别并高效地将数据归为相似类型。然而，无监督学习技术通常需要特征提取以推导图像简洁且具信息量的表示。本文探讨使用自监督深度学习作为自动表示学习的方法。我们将 Bootstrap Your Own Latent（BYOL）算法应用于 Galaxy Zoo DECaLS 图像，以获得每个星系的较低维表示，即特征。我们使用一个小型有监督分类问题对这些特征进行简要验证。随后我们应用自动聚类算法，证明这种完全无监督方法能够成功将形态相似星系聚在一起。同样的特征被证明有助于异常检测，我们使用 astronomaly 框架搜索并合候选体。尽管本文聚焦于光学图像，我们也通过将完全相同的方法应用于小型射电星系数据集来探索该技术的通用性。本工作旨在表明，应用深度表示学习是释放未来如 Vera C. Rubin 天文台与平方公里阵列等望远镜数据集无监督发现潜力的关键。