基于区域卷积神经网络的 LOFAR 两米巡天射电源-分量关联

Rafaël I. J. Mostert; Kenneth J. Duncan; Lara Alegre; Huub J. A. Röttgering; Wendy L. Williams; Philip N. Best; Martin J. Hardcastle; Raffaella Morganti

doi:10.1051/0004-6361/202243478

基于区域卷积神经网络的 LOFAR 两米巡天射电源-分量关联

天体物理仪器与方法 2022-12-07 v1 星系天体物理

作者: Rafaël I. J. Mostert , Kenneth J. Duncan , Lara Alegre , Huub J. A. Röttgering , Wendy L. Williams , Philip N. Best , Martin J. Hardcastle , Raffaella Morganti

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

射电噪活动星系核(RLAGNs)通常是形态复杂的天体,可由多个空间分离的分量组成。天文学家常依赖视觉检查来解决射电源分量关联。然而,将视觉检查应用于低频阵列(LOFAR)两米巡天(LoTSS)在 $144$ MHz 图像中出现的所有数十万个良好分辨的 RLAGN,即使投入大量人力,也是一项艰巨且耗时的过程。使用机器学习方法,我们旨在自动化大( $> 15$ 角秒)射电源分量的关联。我们将关联问题转化为分类问题,并训练一个改进的 Fast 区域卷积神经网络来模仿首次 LoTSS 数据发布中的专家标注。我们实施了旋转数据增强以减少过拟合,并通过使用现有梯度提升分类器的预测移除可能与我们所考虑的大而亮射电源分量无关的无分辨射电源,来简化分量关联。对于 LoTSS 首次数据发布中的大( $> 15$ 角秒)且亮( $> 10$ mJy)射电源分量,我们的模型在 $85.3\%\pm0.6$ 的案例中与天文学家手动关联所得结果一致。当通过公共众包努力进行关联时,获得了与我们的模型类似的结果。我们的方法能够高效地对大型射电巡天进行手动射电源分量关联,并可作为自动化射电形态分类或自动化光学宿主识别的基础。这为研究具有延展复杂形态的射电源样本的完备性和可靠性开辟了途径。

关键词

射电源关联区域卷积神经网络 LOFAR LoTSS 活动星系核数据增强众包标注

引用

@article{arxiv.2209.14226,
  title  = {Radio source-component association for the LOFAR Two-metre Sky Survey with region-based convolutional neural networks},
  author = {Rafaël I. J. Mostert and Kenneth J. Duncan and Lara Alegre and Huub J. A. Röttgering and Wendy L. Williams and Philip N. Best and Martin J. Hardcastle and Raffaella Morganti},
  journal= {arXiv preprint arXiv:2209.14226},
  year   = {2022}
}

备注

22 pages; accepted for publication in A&A

基于区域卷积神经网络的 LOFAR 两米巡天射电源-分量关联

摘要

关键词

引用

备注

相关论文