基于神经网络的KiDS DR5源形态光度分类：一个全面的恒星-类星体-星系星表
星系天体物理
2025-07-15 v2
摘要
我们提出了一种新颖的多模态神经网络（MNN），用于对多波段地面观测（从光学到近红外）中的天文源进行分类，以将源分为恒星、星系和类星体。我们的方法结合了一个卷积神经网络分支，用于从r波段图像中学习形态特征，以及一个人工神经网络分支，用于提取光谱能量分布（SED）信息。具体来说，我们使用了来自Kilo-Degree巡天（KiDS）第五次数据发布（DR5）的9波段光学（ugri）和近红外（ZYHJK_s）数据。网络的两个分支被拼接并馈送到全连接层以进行最终分类。我们在斯隆数字巡天与KiDS交叉匹配的光谱确认样本上训练网络。训练后的模型在独立测试数据集上达到了98.76%的总体准确率，每个类别的F1分数均超过95%。提高输出概率阈值后，我们以较低的完备性为代价获得了更高的纯度。我们还使用与KiDS交叉匹配的外部星表验证了网络，正确分类了从Gaia视差和自行中选出的纯恒星样本的99.74%，以及来自星系与质量组装巡天的外部星系样本的99.74%（经低红移污染校正）。我们将训练后的网络应用于27335836个r≤23星等的KiDS DR5源，生成了一个新的分类星表。该MNN成功利用了形态和SED信息，实现了对大型测光巡天中恒星、类星体和星系的高效稳健分类。
引用
@article{arxiv.2406.03797,
title = {Morpho-Photometric Classification of KiDS DR5 Sources Based on Neural Networks: A Comprehensive Star-Quasar-Galaxy Catalog},
author = {Hai-Cheng Feng and Rui Li and Nicola R. Napolitano and Sha-Sha Li and J. M. Bai and Yue Dong and Ran Li and H. T. Liu and Kai-Xing Lu and Zhi-Wei Pan and Mario Radovich and Huan-Yuan Shan and Jian-Guo Wang and Wen-Zhe Xi and Ling-Hua Xie and Zun-Li Yuan and Yang-Wei Zhang},
journal= {arXiv preprint arXiv:2406.03797},
year = {2025}
}
备注
21 pages, 13 figures, 2 tables, accepted for publication in ApJS, catalog is available at \href{https://cosviewer.com/datasets/kids-dr5-target-classify}{this URL}