基于机器学习的 SDSS 星系形态分类 III：详细特征的图基推断
星系天体物理
2023-01-18 v1
摘要
本文延续我们关于多种机器学习方法在星系形态分类中适用性的一系列工作（Vavilova 等，2021，2022）。我们以 315776 个 SDSS DR9 星系为样本，其绝对恒星星等范围为 -24m<Mr<-19.4m、红移 0.003<z<0.1，作为基于 DenseNet-201 的 CNN 分类器的目标数据集。由于该样本与 Galaxy Zoo 2（GZ2）样本紧密重叠，我们使用这些标注数据作为训练集，将星系分类为 34 种详细特征。在 GZ2 训练集星系与无已知形态参数星系之间存在显著视觉参数差异的情况下，我们应用了新方法，首次消除了较小且较暗 SDSS 星系的此类差异。我们详细描述了对抗验证技术，以及我们如何对训练集中的星系进行最优训练-测试划分。我们还找到了最优星系图像变换以提升分类器泛化能力。这可视为另一种改善 GZ 项目中投票分类较差之星系图像上人为偏差的途径。此种类似自动免疫的方法——即 CNN 分类器在极好图像上训练后能够对同一样本中的劣质图像再训练——可视为与其他对抗人为偏差方法共面的思路。CNN 分类器依 32 种特征之准确率处于 83.3%–99.4% 之间。结果，我们首次为超过 140K 个低红移星系（尤其较暗端）赋予了详细形态分类。我们强调了从天文学视角看星系 CNN 图像分类的典型问题点。星表将通过 VizieR 提供。
引用
@article{arxiv.2209.12194,
title = {Machine learning technique for morphological classification of galaxies from the SDSS. III. Image-based inference of detailed features},
author = {V. Khramtsov and I. B. Vavilova and D. V. Dobrycheva and M. Yu. Vasylenko and O. V. Melnyk and A. A. Elyiv and V. S. Akhmetov and A. M. Dmytrenko},
journal= {arXiv preprint arXiv:2209.12194},
year = {2023}
}
备注
42 pages, 4 tables, 13 figures, 122 references