基于监督机器学习的银河系纤维结构揭示：银河系星际介质的纤维状结构

背景。纤维结构在银河系中无处不在，并且孕育恒星形成。因此，以可靠方式探测它们是我们理解恒星形成过程的关键。目的。我们探究监督机器学习能否在整个银道面上识别纤维状结构。方法。我们使用两个基于UNet的网络版本进行图像分割。我们使用由Herschel Hi-GAL数据获得的银道面H2柱密度图像作为输入数据。我们用从这些图像中提取的纤维骨架（spine加branches）以及我们制作的背景与缺失数据掩膜来训练基于UNet的网络。我们测试了八种训练场景，以确定将像素分类为纤维的最佳场景。结果。对UNet的训练使我们能够通过分割创建一幅新的银道面图像，其中属于纤维状结构的像素被识别出来。使用这一新方法，我们分类为属于纤维的像素比用作输入的骨架加分支结构更多（根据所用分类阈值不同，多出2至7倍）。新的结构被揭示，主要是此前未探测到的低对比度纤维。我们使用标准度量评估不同训练场景的性能。这使我们能够证明该方法的稳健性，并确定一个最大化输入标记像素分类恢复的最优阈值。结论。该概念验证研究表明，监督机器学习能够揭示遍布银道面的纤维状结构。对这些结构（包括此前从未见过的低密度和低对比度结构）的探测，为研究这些纤维提供了重要前景。