基于深度学习从 PAndAS 图像中识别 M31 星团
星系天体物理
2025-03-12 v1 天体物理仪器与方法
太阳与恒星天体物理
摘要
星团的识别在研究星系形成和演化历史中具有重要意义。然而，从海量测光图像中快速、准确地识别星团是一项巨大挑战。为了解决这些困难，我们采用深度学习模型进行图像分类，以从 Pan-Andromeda Archaeological Survey (PAndAS) 图像中识别 M31 中的年轻盘星团。对于训练、验证和测试，我们使用了 Panchromatic Hubble Andromeda Treasury (PHAT) 巡天星表。我们评估了各种深度学习模型在不同分类阈值和极限星等下的性能。我们的研究结果表明，ResNet-50 模型表现出最高的总体准确率。此外，使用更亮的极限星等并提高分类阈值，可以有效提高星团识别的准确率和精确度。通过实验，我们发现当极限星等设置为亮于 21 mag 时，模型达到最佳性能。基于此，我们构建了一个星等小于 21 mag 的训练数据集，并训练了第二个 ResNet-50 模型。当分类阈值设为 0.669 时，该模型的纯度为 89.30%，召回率为 73.55%，F1 分数为 80.66%。将第二个模型应用于 PAndAS 场中距离 M31 中心投影半径 30 kpc 内的所有源，我们识别出 2,228 个新的独特星团候选体。我们进行了视觉检查以验证自动化方法生成的结果，最终获得了 1,057 个星团候选体，其中 745 个为新识别的。
引用
@article{arxiv.2503.08130,
title = {Identification of Star Clusters in M31 from PAndAS Images Based on Deep Learning},
author = {Baisong Zhang and Bingqiu Chen and Haibo Yuan and Pinjian Chen and Shoucheng Wang and Lunwei Zhang and Yi Ren and Helong Guo},
journal= {arXiv preprint arXiv:2503.08130},
year = {2025}
}
备注
Accepted for Publication in ApJS