基于可解释深度胶囊网络从 SDSS 图像获取测光红移

当前及下一代宽视场成像巡天（如 Rubin 天文台时空遗产巡天（LSST））对宇宙学、星系演化和天文暂现源的研究都严重依赖于测光红移的估计。胶囊网络是一种新型神经网络架构，比传统卷积神经网络更适合识别输入图像的形态学特征。我们使用在 $ugriz$ 图像、光谱红移以及约 400,000 个斯隆数字巡天（SDSS）星系的 Galaxy Zoo 旋涡/椭圆分类上训练的深度胶囊网络来进行测光红移估计。我们取得的测光红移预测精度和灾难性离群值比例与当前针对 SDSS 主星系样本类数据集（$r\leq17.8$ 且 $z_{\mathrm{spec}}\leq0.4$）的方法相当或更好，同时需要更少的数据和可训练参数。此外，我们胶囊网络的决策过程更易解释，因为胶囊充当图像的低维编码。当胶囊被投影到二维流形上时，它们形成单一的红移序列，其中某区域旋涡星系的比例呈现出大致垂直于红移序列的梯度。我们在此低维空间中扰动真实星系图像的编码以创建合成星系图像，展示各维度所编码的图像属性（如大小、取向和面亮度）。我们还测量了星系属性（如星等、颜色和恒星质量）与每个胶囊维度之间的相关性。我们在 https://biprateep.github.io/encapZulate-1 公开发布我们的代码、估计的红移和附加星表。