利用卷积神经网络对X射线选出的星系团候选体进行多波段分类
宇宙学与河外天体物理
2020-08-04 v2 高能天体物理现象
天体物理仪器与方法
摘要
星系团在 XMM-Newton 图像中表现为延展源，但并非所有延展源都是星系团。因此，其正确分类需要借助光学图像进行目视检查，这一过程缓慢且带有几乎无法建模的偏差。我们以新方法应对该问题：使用卷积神经网络（CNNs）这一最先进的图像分类工具，对星系团候选体进行自动分类。我们在 XMM-Newton X 射线观测与来自全天空 Digitized Sky Survey 的光学对应体组合数据上训练网络。我们的数据集源自 X-CLASS 星系团候选体巡天样本，该样本由专门开发的延展源探测与表征流水线 XAmin 选出。数据集包含 1707 个经专家分类的星系团候选体。此外，我们创建了官方 Zooniverse 公民科学项目 The Hunt for Galaxy Clusters，以探究公民志愿者是否能协助这一具挑战性的星系团目视确认任务。该项目共含 1600 个星系团候选体，其中 404 个与专家样本重叠。网络分别使用专家与 Zooniverse 数据训练。CNN 测试样本包含 85 个光谱确认星系团与 85 个非星系团，二者均出现在两个数据集中。我们的定制网络在星系团与非星系团的二分类中取得最佳性能，经 10 次运行平均准确率达 90%。将 CNN 用于 X 射线与光学组合数据对星系团候选体分类的结果令人鼓舞，未来应用与改进潜力巨大。
引用
@article{arxiv.2006.05998,
title = {Multiwavelength classification of X-ray selected galaxy cluster candidates using convolutional neural networks},
author = {Matej Kosiba and Maggie Lieu and Bruno Altieri and Nicolas Clerc and Lorenzo Faccioli and Sarah Kendrew and Ivan Valtchanov and Tatyana Sadibekova and Marguerite Pierre and Filip Hroch and Norbert Werner and Lukáš Burget and Christian Garrel and Elias Koulouridis and Evelina Gaynullina and Mona Molham and Miriam E. Ramos-Ceja and Alina Khalikova},
journal= {arXiv preprint arXiv:2006.05998},
year = {2020}
}
备注
14 pages, 10 tables, 16 figures, accepted for publication in MNRAS