暗能量巡天中的离群星系图像及其无监督机器学习识别
星系天体物理
2023-05-04 v1 天体物理仪器与方法
计算机视觉与模式识别
摘要
暗能量巡天能够收集极大量河外天体的图像数据,可以合理假设其中隐藏了许多具有高度科学价值的异常天体。由于 DES 数据规模极端庞大,在数百万其他天体中识别这些天体是一项艰巨任务。噪声或饱和图像的存在进一步放大了离群点检测问题。当被测天体数量极高时,即便很小的噪声或假阳性率也会导致极大量的错误检测,使自动系统不切实际。本研究应用一种自动方法对暗能量巡天首次数据发布中的离群天体进行自动检测。通过使用基于机器学习的离群点检测,该算法能识别在视觉上不同于数据库中大多数其他天体的对象。算法的一个重要特征是允许控制假阳性率,因此可用于实际离群检测。该算法在离群天体检测上不能提供完美精度,但能大幅缩减数据以实现实用离群检测。例如,对超过 张 DES 图像应用算法后筛选前 250 个对象,可得到一组不常见星系。若通过人工检视数据来编集此类集合将极其耗时。
引用
@article{arxiv.2305.01720,
title = {Outlier galaxy images in the Dark Energy Survey and their identification with unsupervised machine learning},
author = {Lior Shamir},
journal= {arXiv preprint arXiv:2305.01720},
year = {2023}
}
备注
A&C, accepted