星系气体 halo 中低表面亮度特征的卷积神经网络自动检测（SAD-CNN）
星系天体物理
2025-03-24 v1
摘要
背景。星系气体 halo 包含淡色亚结构，如星系流和壳，提供了关于星系层次构建历史的见解。迄今为止，这些特征通过人工鉴赏在外部星系中被识别。然而，随着更大规模和更深入的调查以及数据量增加，这种方法正变得不可行。目的。本文旨在开发一种自动检测方法，用于检测星系气体 halo 中的低表面亮度特征。此外，我们寻求量化其在考虑不同星系盘定向和红移情况下的性能。方法。我们开发了星系气体 halo 中低表面亮度特征的卷积神经网络自动检测工具（SAD-CNN）。该工具在来自Auriga Project模拟的mock表面亮度图上进行训练。该模型包含迁移学习、数据增强和平衡数据集，以优化其在表面亮度限制值为27至31 mag arcsec^-2的检测能力。结果。经过渐进式训练方法和迁移学习，该模型能够适应日益具有挑战性的数据集，在所有考虑的情况下均实现了80%以上的精确率和召回率。使用良好平衡的训练数据集对于缓解偏差、确保CNN准确区分带有流和无流的星系至关重要。结论。SAD-CNN是一种可靠且可扩展的工具，可自动化检测星系气体 halo 中的微弱亚结构。其可适应性使其适用于未来应用，包括分析来自未来大型天文调查（如LSST、JWT）的数据。
引用
@article{arxiv.2503.17202,
title = {Stream Automatic Detection with Convolutional Neural Network (SAD-CNN)},
author = {Alex Vera-Casanova. and Nicolas Monsalves Gonzalez and Facundo A. Gómez and Marcelo Jaque Arancibia. and Valentina Fontirroig and Diego Pallero. and Rüdiger Pakmor. and Freeke van de Voort. and Robert J. J. Grand. and Rebekka Bieri. and Federico Marinacci},
journal= {arXiv preprint arXiv:2503.17202},
year = {2025}
}
备注
15 pages, 15 figures