Radio Galaxy Zoo：用于射电源宿主星系交叉识别的机器学习
天体物理仪器与方法
2018-05-18 v1
摘要
我们考虑通过交叉识别确定射电源宿主星系的问题。传统上这是手动完成的，对于像宇宙演化地图（EMU）这样的宽视场射电巡天将难以应对。自动交叉识别对这些未来巡天至关重要，机器学习可能提供开发此类方法的工具。我们应用计算机视觉中的标准方法来进行交叉识别，介绍一种实现该问题自动化的可能途径，并探讨该方法的优缺点。我们将方法应用于钱德拉南天深场（CDFS）和 ESO 大面积 ISO 南天巡天 1（ELAIS-S1）场的 1.4 GHz 澳大利亚望远镜大面积巡天（ATLAS）观测，并将其与斯皮策宽视场红外河外巡天（SWIRE）进行交叉识别。我们用两组数据训练方法：来自初始 ATLAS 数据发布的 CDFS 专家交叉识别，以及来自 Radio Galaxy Zoo 的 CDFS 众包交叉识别。我们发现，将射电子源与最近星系交叉识别的简单策略与更复杂的方法表现相当，尽管我们估计的最佳情况性能接近 100%。ATLAS 包含 87 个由专家交叉识别的复杂射电源，因此没有足够的复杂样例来学习如何准确交叉识别它们。因此需要大得多的数据集来训练像我们这样的方法。我们还表明，用 Radio Galaxy Zoo 交叉识别训练方法所得结果与用专家交叉识别训练相当，证明了众包训练数据的价值。
引用
@article{arxiv.1805.05540,
title = {Radio Galaxy Zoo: Machine learning for radio source host galaxy cross-identification},
author = {M. J. Alger and J. K. Banfield and C. S. Ong and L. Rudnick and O. I. Wong and C. Wolf and H. Andernach and R. P. Norris and S. S. Shabala},
journal= {arXiv preprint arXiv:1805.05540},
year = {2018}
}