基于Sérsic模型、残差图和原始图像的星系 mergers 分类——使用卷积神经网络
星系天体物理
2026-02-17 v3
摘要
星系 mergers 对理解星系演化至关重要，且随着大型数据集的不断涌现，自动化方法如卷积神经网络（CNNs）对于高效检测至为关键。人们已了解到，CNNs通过识别星系与常规、预期形状的偏离，特别是具有 mergers 事件指征意义的微弱特征来进行分类。在本文中，我们提出了一种新颖的研究，探讨了不同形态组成部分——即微弱残差特征和位置及空间结构——在CNN基于二元分类的星系 mergers 与非 mergers 分类中的相对重要性。我们使用模拟图像（来自 IllustrisTNG 模拟），处理后模拟 HSC 观测。对每个星系拟合 Sérsic 模型，并生成三个数据集：原始图像、仅包含光滑 Sérsic 梅形的模型图像，以及模型减法后突出显示微弱特征的残差图像。我们在这三个数据集上训练了三个结构相同的 CNN：CNN1 使用原始图像，CNN2 使用模型图像，CNN3 使用残差图像。CNN1 在完整图像上训练，准确率最高，达74%；CNN2 仅使用形状信息（包括源位置），准确率为70%；CNN3 仅使用微弱残差特征，准确率为68%。我们发现，星系 mergers 分类可以通过残差图中出现的微弱特征或模型图像中出现的源位置信息和 Sérsic 梅形信息来实现。我们的结果表明，不仅微弱特征，而且源位置信息在 mergers 分类中发挥着互补作用。这对机器学习方法的设计和解释具有重要意义，尤其是在特定图像组成部分可能被放大或抑制的情形下。
引用
@article{arxiv.2502.16603,
title = {Galaxy mergers classification using CNNs trained on S\'ersic models, residuals and raw images},
author = {D. M. Chudy and W. J. Pearson and A. Pollo and L. E. Suelves and B. Margalef-Bentabol and L. Wang and V. Rodriguez-Gomez and A. La Marca},
journal= {arXiv preprint arXiv:2502.16603},
year = {2026}
}