基于卷积神经网络的暗能量巡天第三年数据星系形态分类星表
星系天体物理
2021-08-04 v1
摘要
我们在本文中呈现了迄今最大的星系形态分类星表之一，利用暗能量巡天（DES）第三年数据并基于卷积神经网络（CNN）涵盖超过两千万个星系。我们使用具有线性、对数与梯度尺度的单色 波段 DES 图像，并与来自 Galaxy Zoo 1（GZ1）星表去偏的视觉分类相匹配，以训练我们的 CNN 模型。训练集包含低红移（）的亮星系（），我们进一步探究了将预测应用于更暗星等和更高红移星系时的精度极限。我们的最终星表覆盖星等 、红移 ，并提供两类星系——椭圆星系与旋涡星系（盘状星系）——的预测概率。我们的 CNN 分类在与 GZ1 分类（）比较时，对亮星系展现出超过 99% 的准确率。对于更暗的星系，由三位合作者进行的视觉分类显示，CNN 分类器能正确归类具有更圆且模糊特征的盘状星系，而人类常将其错误视觉分类为椭圆星系。作为验证的一部分，我们执行了最大规模的非参数方法检验之一，包含约 100,000 个星系，其星等与红移覆盖与我们的星表训练集相同。我们发现基尼系数是该数据集中区分椭圆与旋涡星系的最佳单参数判别量。
引用
@article{arxiv.2107.10210,
title = {Galaxy Morphological Classification Catalogue of the Dark Energy Survey Year 3 data with Convolutional Neural Networks},
author = {Ting-Yun Cheng and Christopher J. Conselice and Alfonso Aragón-Salamanca and M. Aguena and S. Allam and F. Andrade-Oliveira and J. Annis and A. F. L. Bluck and D. Brooks and D. L. Burke and M. Carrasco Kind and J. Carretero and A. Choi and M. Costanzi and L. N. da Costa and M. E. S. Pereira and J. De Vicente and H. T. Diehl and A. Drlica-Wagner and K. Eckert and S. Everett and A. E. Evrard and I. Ferrero and P. Fosalba and J. Frieman and J. García-Bellido and D. W. Gerdes and T. Giannantonio and D. Gruen and R. A. Gruendl and J. Gschwend and G. Gutierrez and S. R. Hinton and D. L. Hollowood and K. Honscheid and D. J. James and E. Krause and K. Kuehn and N. Kuropatkin and O. Lahav and M. A. G. Maia and M. March and F. Menanteau and R. Miquel and R. Morgan and F. Paz-Chinchón and A. Pieres and A. A. Plazas Malagón and A. Roodman and E. Sanchez and V. Scarpine and S. Serrano and I. Sevilla-Noarbe and M. Smith and M. Soares-Santos and E. Suchyta and M. E. C. Swanson and G. Tarle and D. Thomas and C. To},
journal= {arXiv preprint arXiv:2107.10210},
year = {2021}
}
备注
23 pages, 15 figures. Accepted by MNRAS