利用卷积神经网络与数据增强技术对致密与延展型射电星系进行形态分类
星系天体物理
2021-07-02 v1 天体物理仪器与方法
机器学习
神经与进化计算
摘要
机器学习技术已日益应用于天文学领域，并已被证明能够以高精度对图像数据中的天体进行分类。本工作使用来自二十厘米波段射电天空微弱图像（FIRST）的档案数据，将射电星系分为四类：Fanaroff-Riley I类（FRI）、Fanaroff-Riley II类（FRII）、弯曲尾型（BENT）和致密型（COMPT）。本工作提出的模型基于卷积神经网络（CNNs）。所提出的架构包含三个并行的卷积层块，经组合后由两层前馈层进行最终分类。我们的模型在一个独立的测试子集上对所选类别的射电源进行了分类，其精确率、召回率和F1分数的平均值达到96%。所选最佳增强技术为旋转、水平或垂直翻转以及亮度增加。平移、缩放和亮度降低则使模型性能变差。当前结果表明，本工作开发的模型能够以高效率和性能识别射电星系的不同形态类别。
引用
@article{arxiv.2107.00385,
title = {Morphological classification of compact and extended radio galaxies using convolutional neural networks and data augmentation techniques},
author = {Viera Maslej-Krešňáková and Khadija El Bouchefry and Peter Butka},
journal= {arXiv preprint arXiv:2107.00385},
year = {2021}
}
备注
12 pages, 7 figures, 9 tables, published in Monthly Notices of the Royal Astronomical Society