基于深度监督表示学习的实用星系形态学工具

天文学家通常从头开始创建自己的表示来解决监督机器学习问题。我们表明，训练来回答每一个Galaxy Zoo DECaLS问题的深度学习模型学习了星系的有意义语义表示，这些表示对模型从未训练过的新任务有用。我们利用这些表示在大型星系样本调查的关键实用任务上优于近期的几种方法。第一个任务是识别与查询星系形态相似的星系。给定人类赋予自由文本标签（如“#diffuse”）的单个星系，我们能为大多数标签找到匹配该标签的星系。第二个任务是识别对特定研究者最有趣的异常。我们的方法在识别最有趣的100个异常（由Galaxy Zoo 2志愿者判定）上达到100%准确率。第三个任务是仅使用少量新标注星系将模型适配到新任务。从我们的表示微调的模型比从地面图像（ImageNet）微调或从零训练的模型更能识别环星系。我们以极少新标签解决每个任务：要么一个（相似搜索）要么数百个（异常检测或微调）。这挑战了深度监督方法在天文学实用中需要新大型标注数据集的长期观点。为帮助社区受益于我们的预训练模型，我们发布微调代码Zoobot。Zoobot对无深度学习先验经验的研究者也可使用。