基于卷积神经网络在深光学星系图像中识别潮汐特征

星系间的相互作用会以潮汐特征的形式留下可辨印记，其中包含关于其质量聚集的重要线索。遗憾的是，这些结构因属于低面亮度特征而难以探测，故需深场观测。即将开展的巡天在深度与天区覆盖上将提升数个量级，使得潮汐特征探测的自动化方法成为必需。我们检验了卷积神经网络复现人类对潮汐探测视觉分类的能力。我们使用约 6000 张由专业天文学家分类的模拟图像作为训练集。模拟的昴星团超广角相机（HSC）图像包含红移、投影角与面亮度（$\mu_{lim}$ = 26–35 mag arcsec$^{-2}$）的变化。在测试样本上，我们取得了满意的结果，准确率、精度与召回率分别为 Acc=0.84、P=0.72 与 R=0.85。虽然准确率与精度值在所有面亮度下大致恒定，召回率（完备度）受图像深度显著影响。恢复率对潮汐特征类型表现出强依赖性：我们恢复了所有显示壳层特征的图像与 87% 的潮汐流；对于并合、潮汐尾与桥，这些比例低于 75%。当应用于真实 HSC 图像时，模型性能明显变差。我们推测这源于模拟真实感的不足，并视其为将深度学习模型应用于不同数据域前需在实际数据上先行测试的警示。