使用深度神经网络标注大型天文图像目录时的系统性偏差
星系天体物理
2022-01-11 v1 宇宙学与河外天体物理
计算机视觉与模式识别
机器学习
摘要
深度卷积神经网络（DCNNs）因其非参数特性、良好性能以及通过 TensorFlow 等库的可及性，已成为自动图像标注的最常见解决方案。在其他领域中，DCNNs 也是由数字巡天获取的大型天文图像数据库标注的常用方法。DCNNs 的主要缺点之一是其复杂的非直观规则使其充当“黑箱”，以用户不清楚的方式提供标注。因此，用户通常无法知道 DCNNs 使用了什么信息进行分类。在此我们证明，DCNN 的训练对训练数据的背景（如天体在天空中的位置）敏感。我们展示，对于椭圆星系与旋涡星系的基本分类，用于训练的星系的天空位置会影响算法的行为，并导致一种微小但一致且统计显著的偏差。该偏差表现为基本星系形态分布中的宇宙学尺度各向异性。因此，尽管 DCNNs 是标注延展源图像的强大工具，星系形态训练集的构建应考虑比天体视觉外观更多的方面。无论如何，表现出宇宙学各向异性迹象的由深度神经网络创建的目录，应在可能存在一致性偏差的情况下加以解释。
引用
@article{arxiv.2201.03131,
title = {Systematic biases when using deep neural networks for annotating large catalogs of astronomical images},
author = {Sanchari Dhar and Lior Shamir},
journal= {arXiv preprint arXiv:2201.03131},
year = {2022}
}
备注
A&C, accepted