基于深度学习的银河系外 infrared 气泡识别

我们提出了一个深度学习模型，可使用由 Spitzer 太空望远镜获取的双波长近红外数据准确检测 Spitzer 气泡。该模型基于 Single Shot MultiBox Detector 作为目标检测模型，使用由 Milky Way Project (MWP-Bubble) 识别的 Spitzer 气泡进行训练和验证。我们发现，仅使用结构清晰的 MWP-Bubble 以及归一化和数据增强，显著提高了性能。为减少数据集偏差，我们还使用负采样和聚类技术获取不包含气泡的数据。通过贝叶斯优化进行模型优化。将该模型应用于银河平面测试区域后，MWP-Bubble 检测率达到 98\%，且 8$\mu$m 红外辐射清晰包含 24$\mu$m 红外辐射。此外，我们将该模型应用于更广阔的区域 $1^\circ \le |l| \le 65^\circ$，$|b| \le 1^\circ$，包括训练和验证区域，模型检测到 3006 个气泡，其中 1413 个为新检测。我们还尝试在高质量星形成区域 Cygnus $X$ 以及外部星系 Large Magellanic Cloud (LMC) 和 NGC 628 中检测气泡。该模型成功检测了这些外部星系中的 Spitzer 气泡，但也检测到了难以区分的米拉型变星和其他紧凑源。检测过程仅需数小时，显示出在检测气泡结构方面的效率。此外，我们用于检测 Spitzer 气泡的方法也用于检测仅在 8$\mu$m 红外波段可见的壳状结构，导致在 LMC 中检测到 469 个壳状结构，在 NGC 628 中检测到 143 个。