利用卷积神经网络识别星系中的低面亮度潮汐特征
星系天体物理
2018-11-29 v1 天体物理仪器与方法
摘要
星系周围微弱的潮汐特征记录了它们随宇宙时间的并合与相互作用历史。由于其低面亮度和复杂形态，现有自动化方法难以探测此类特征，且迄今为止大多数工作严重依赖人工目视检查。这对大统计样本中潮汐碎片特征的定量研究构成了主要障碍，进而制约了利用这些特征来推进对整体星系族的理解的能力。本文使用带 dropout 和增广的卷积神经网络(CNNs)来识别 CFHTLS-Wide 巡天中具有微弱潮汐特征的星系。将 CNNs 的性能与已发表专家目视分类结果进行评估对比，我们发现该方法实现了高(76%)完备率和低(20%)污染率，且明显优于文献中近期应用的其他自动化方法。我们认为 CNNs 为有效自动识别星系内外低面亮度潮汐碎片特征提供了一种有前景的途径。当应用于即将到来的深场宽视场成像巡天（如 LSST、Euclid）时，CNNs 有潜力使形态受扰动星系的样本量提升数个数量级，从而促成备受期待的定量低面亮度科学革命。
引用
@article{arxiv.1811.11616,
title = {Identification of Low Surface Brightness Tidal Features in Galaxies Using Convolutional Neural Networks},
author = {Mike Walmsley and Annette M. N. Ferguson and Robert G. Mann and Chris J. Lintott},
journal= {arXiv preprint arXiv:1811.11616},
year = {2018}
}
备注
16 pages, 18 figures, accepted for publication in MNRAS