由卷积神经网络构建的两个最大星系形态分类星表的经验总结
星系天体物理
2022-11-30 v1 数据分析、统计与概率
摘要
我们比较了在中红移区分早型与晚型星系的两个最大星系形态星表。这两个星表通过将监督式深度学习（卷积神经网络，CNNs）应用于暗能量巡天数据至约21 mag星等极限而构建。构建星表所用的方法论存在差异，如截片尺寸、用于训练的标签，以及CNN的输入——单色图像与波段归一化图像。此外，一个星表使用DES观测的亮星系（）训练，而另一个使用亮星系（）和延伸至波段星等的“仿真”星系训练。尽管方法不同，两个星表在之前的一致性极好，表明CNN预测对至少比训练样本极限暗一个星等的样本是可靠的。这也显示基于单色图像的形态分类与基于波段图像的分类相当，至少在亮星系范围内。在更暗星等时，总体一致性良好（95%），但主要由两星表中较大的旋涡星系比例所驱动。相比之下，椭圆星系内部的一致性并不理想，尤其在暗星等处。通过研究不匹配案例，我们能够识别透镜状星系（至少至），这类星系使用标准分类方法难以区分。两个星表的协同提供了选择特殊星系群体的独特机会。
引用
@article{arxiv.2209.06897,
title = {Lessons Learned from the Two Largest Galaxy Morphological Classification Catalogues built by Convolutional Neural Networks},
author = {Ting-Yun Cheng and H. Domínguez Sánchez and J. Vega-Ferrero and C. J. Conselice and M. Siudek and A. Aragón-Salamanca and M. Bernardi and R. Cooke and L. Ferreira and M. Huertas-Company and J. Krywult and A. Palmese and A. Pieres and A. A. Plazas Malagón and A. Carnero Rosell and D. Gruen and D. Thomas and D. Bacon and D. Brooks and D. J. James and D. L. Hollowood and D. Friedel and E. Suchyta and E. Sanchez and F. Menanteau and F. Paz-Chinchón and G. Gutierrez and G. Tarle and I. Sevilla-Noarbe and I. Ferrero and J. Annis and J. Frieman and J. García-Bellido and J. Mena-Fernández and K. Honscheid and K. Kuehn and L. N. da Costa and M. Gatti and M. Raveri and M. E. S. Pereira and M. Rodriguez-Monroy and M. Smith and M. Carrasco Kind and M. Aguena and M. E. C. Swanson and N. Weaverdyck and P. Doel and R. Miquel and R. L. C. Ogando and R. A. Gruendl and S. Allam and S. R. Hinton and S. Dodelson and S. Bocquet and S. Desai and S. Everett and V. Scarpine},
journal= {arXiv preprint arXiv:2209.06897},
year = {2022}
}
备注
17 pages, 14 figures (1 appendix for galaxy examples including 3 figures)