从图像到特征：基于变分自编码器与域适应的无偏形态分类
星系天体物理
2023-10-19 v2 机器学习
摘要
我们提出了一种利用变分自编码器（VAE）与域适应（DA）相结合来降低星系图像维度的新方法。我们使用来自 Galaxy-Zoo DECaLS 项目的具有详细形态类型标签的低红移星系样本证明了该方法的有效性。我们表明，40 维潜变量能够有效再现星系图像中的大多数形态学特征。为了进一步验证我们方法的有效性，我们在 40 维潜变量上使用了经典的随机森林（RF）分类器来进行详细的形态学特征分类。该方法的性能与直接在星系图像上应用神经网络相当。我们通过利用 DECaLS 与 BASS+MzLS 重叠天区中的星系，经 DA 调优 VAE 网络，进一步增强了我们的模型，从而使我们的模型能够无偏地应用于两个巡天中的星系图像。我们观察到 DA 带来了更好的形态学特征提取与分类性能。总体而言，这种 VAE 与 DA 的组合可用于在大型光学巡天中实现图像降维、缺陷图像识别以及形态分类。
引用
@article{arxiv.2303.08627,
title = {From Images to Features: Unbiased Morphology Classification via Variational Auto-Encoders and Domain Adaptation},
author = {Quanfeng Xu and Shiyin Shen and Rafael S. de Souza and Mi Chen and Renhao Ye and Yumei She and Zhu Chen and Emille E. O. Ishida and Alberto Krone-Martins and Rupesh Durgesh},
journal= {arXiv preprint arXiv:2303.08627},
year = {2023}
}
备注
Accepted by MNRAS 2023 October 12. 10 pages, 8 figures