众包建模：利用 Zooniverse 优化人机协作

LSST 与 Euclid 必须应对分析这些下一代仪器将产生的空前规模的成像与光谱数据的艰巨挑战。克服该挑战的一种有前景的方法涉及使用经过适当训练的深度学习 (DL) 算法进行快速自动图像处理。然而，DL 的可靠应用需要大量准确标注的训练样本。Galaxy Zoo Express (GZX) 是近期的一项实验，模拟使用贝叶斯推断通过 Zooniverse 众包平台实时动态聚合公民科学家提供的二值响应。GZX 方法使人机分类器之间得以协作，并提供快速生成、可靠标注的数据集，从而实现精确机器分类器的在线训练。我们展示了 GZX 的部分结果，并说明其使用的贝叶斯聚合引擎可如何扩展以高效提供二维数据的目标定位与边界框标注及量化可靠性。利用这些标注训练的 DL 算法将促进众多泛色数据建模任务，包括直接成像中的形态分类与子结构探测，以及无缝光谱中的去污染与发射线识别。若要实现即将开展的大尺度巡天的潜力，有效结合现代计算分析的速度与人类从少量样本外推的能力将至关重要。