基于卷积神经网络的星系形状测量
宇宙学与河外天体物理
2019-09-25 v2
摘要
我们展示了训练和评估一个卷积神经网络（CNN）以从暗能量巡天第一次数据发布（DES DR1）的宽场巡天图像中预测星系形状的结果。我们使用来自重叠、更深且天区覆盖更小的加拿大-法国-夏威夷望远镜透镜巡天（CFHTLenS）的传统形状测量作为地面真值。我们证明，CNN 对单波段 DES 图像的预测在亮星等处复现了 CFHTLenS 的结果，并且在比 DES Y1 im3shape 星表的最大似然模型拟合估计更暗的星等处与 CFHTLenS 表现出更高的相关性。用 CNN 预测形状参数也极其快速，每个星系仅需 0.2 毫秒，比前向模型拟合提升了超过 4 个数量级。CNN 在使用同一星系的多幅图像（即使在不同颜色波段）时也能准确预测形状，且无需额外计算开销。与 DES Y1 metacalibration 星表（其使用 riz 波段图像拟合单个高斯轮廓）相比，CNN 对暗弱天体更为精确，且对蓝星系的优势比对红星系更明显。我们证明，在 metacalibration 自校准框架内的 CNN 形状预测产生的剪切估计具有可忽略的乘性偏差，，且无显著的 PSF 泄漏。我们提出的设置适用于当前及下一代弱透镜巡天，其中可在专用深场中测得更高质量的地面真值形状。
引用
@article{arxiv.1902.08161,
title = {Galaxy shape measurement with convolutional neural networks},
author = {Dezső Ribli and László Dobos and István Csabai},
journal= {arXiv preprint arXiv:1902.08161},
year = {2019}
}