利用多个神经网络对致密星系、恒星与类星体进行测光识别
星系天体物理
2022-11-16 v1 天体物理仪器与方法
机器学习
摘要
我们提出 MargNet，一种基于深度学习的分类器，利用斯隆数字巡天（SDSS）第16次数据发布（DR16）星表中的测光参数与图像来识别恒星、类星体与致密星系。MargNet 由卷积神经网络（CNN）与人工神经网络（ANN）架构组合而成。通过使用一个精心整理的包含 240,000 个致密天体和额外 150,000 个暗弱天体的数据集，机器直接从数据中学习分类，最大限度减少人工干预。MargNet 是首个专注于致密星系的分类器，并且在将致密星系与恒星和类星体区分开来的任务上表现优于其他方法，即便在更暗弱星等下也是如此。该模型及此类深度学习架构中的特征工程将在正在开展和即将开展的巡天（如暗能量巡天（DES）和 Vera C. Rubin 天文台的图像）中识别天体时取得更大成功。
引用
@article{arxiv.2211.08388,
title = {Photometric identification of compact galaxies, stars and quasars using multiple neural networks},
author = {Siddharth Chaini and Atharva Bagul and Anish Deshpande and Rishi Gondkar and Kaushal Sharma and M. Vivek and Ajit Kembhavi},
journal= {arXiv preprint arXiv:2211.08388},
year = {2022}
}
备注
14 pages, 10 figures, Accepted for publication in MNRAS