RGC：基于深度学习的射电 AGN 分类器。I. 基于 VLA 图像的半监督多类模型

弯曲射电活动性星系(RAGN)——宽角尾(WAT)和窄角尾(NAT)——追踪星系群和星系团中的密集环境，然而目前尚无多类分类器能够同时使用视觉检查的标签和无标签数据将其与直线型 Fanaroff-Riley 类型(sFRI, sFRII)区分开来。我们发布了 FIRST-2060，这是一个由 2060 个 RAGN(sFRI, sFRII, WAT, NAT)组成的四类标记数据集，基于三个公开目录通过多层级视觉检查构建；以及能够利用 20,000 个无标记源的半监督 RGC 1.0 模型。我们将 RGC 与五个监督基线进行基准测试。FIRST-2060 提供了两种预处理变体：$\mathbf{R}_{L1}$ 保留伪源，$\mathbf{R}_{L2}$ 则删除伪源。RGC 模型将自监督框架 BYOL(自主学习嵌入)与 $E(2)$ 等变性可调 CNN(E2CNN) 编码器集成在一起，对无标记数据进行预训练，然后在标记数据集上进行微调。所有六个模型都采用 5 折交叉验证、Grad-CAM 注意力分析和受控类别不平衡实验进行评估。ConvNeXT($M_1$)和 RGC($M_2$)在宏观 F1 分数上分别达到 $0.80\pm0.02$ 和 $0.79\pm0.02$，差异在一个标准差以内。$M_2$ 是唯一一个 Grad-CAM 等高线始终跟踪 RAGN 形态结构( lobes, jets, bends) 而不是默认为紧凑 blob 或扩散模式的模型。本文引入的四类方案使能够实现 WAT/NAT 解析目录，作为环境探针和扩散星系射电辐射的前体分类之用。$M_1$ 和 $M_2$ 在跨类型和类内区分方面的互补优势表明，集成方法可能为调查规模的形态目录提供实用框架。