用于大型宇宙学巡天中重叠星系的概率分割
天体物理仪器与方法
2021-12-07 v2 星系天体物理
数据分析、统计与概率
摘要
编码器-解码器网络（如 U-Net）已成功应用于广泛的计算机视觉任务，尤其是不同领域中各类图像分割。然而，大多数应用缺乏对预测不确定性的令人满意的量化。但对于精确宇宙学等科学应用，良好校准的分割不确定性可能是关键要素。在这项进行中的工作中，我们探索使用 Kohl 等人(2018)近期提出的概率版 U-Net，并将其改造用于大型测光巡天中星系分割的自动化。我们特别关注重叠星系（也称为 blending）的概率分割。我们表明，即使每个输入样本仅用单一真值训练，该模型仍能恰当捕获分割图上逐像素的不确定性。这种不确定性可进一步传播到星系性质的分析中。据我们所知，这是天体物理学中首次将此类实验应用于星系去混合。
引用
@article{arxiv.2111.15455,
title = {Probabilistic segmentation of overlapping galaxies for large cosmological surveys},
author = {Hubert Bretonnière and Alexandre Boucaud and Marc Huertas-Company},
journal= {arXiv preprint arXiv:2111.15455},
year = {2021}
}
备注
7 pages, 5 figures, Accepted for the Fourth Workshop on Machine Learning and the Physical Sciences (NeurIPS 2021)