射电星系动物园：基于多域深度学习的巨型射电星系分类
天体物理仪器与方法
2021-12-22 v1
摘要
本工作中，我们探索了多域多分支卷积神经网络（CNNs）从大批量巡天数据（如 SKA 及其前体等新一代射电望远镜所预期的数据）中识别相对稀有的巨型射电星系的潜力。此处提出的方法使模型能够从多个巡天输入（本例中为 NVSS 与 FIRST）联合学习，并融合数值红移信息。我们发现，对于本工作所考虑的分类问题，引入多分辨率巡天数据可纠正等效单域网络 39% 的误分类。我们还表明，纳入红移信息可适度改善巨型射电星系的分类效果。
引用
@article{arxiv.2112.03564,
title = {Radio Galaxy Zoo: Giant Radio Galaxy Classification using Multi-Domain Deep Learning},
author = {H. Tang and A. M. M. Scaife and O. I. Wong and S. S. Shabala},
journal= {arXiv preprint arXiv:2112.03564},
year = {2021}
}
备注
22 pages, 11 figures, accepted by MNRAS