FIRST 分类器：基于深度卷积神经网络的致密与延展射电源分类
星系天体物理
2018-07-30 v1
摘要
使用平方公里阵列等新射电观测台的下一代巡天将生成包含大量射电星系的丰富成像数据。不同类别的射电星系可用作宇宙环境的示踪器，包括暗物质密度场，以解决关键宇宙学问题。因此，基于形态对这些星系分类是实现下一代射电巡天科学目标的重要步骤。射电星系传统上被分类为 Fanaroff-Riley（FR）I 和 II，尽管有些由于环境因素或内禀性质而呈现更复杂的“弯曲”形态。本工作中我们提出 FIRST 分类器，一个用于致密与延展射电源自动分类的在线系统。我们基于训练好的深度卷积神经网络模型开发了 FIRST 分类器，以自动化分类 FIRST 射电巡天中观测到的致密与延展射电源的形态。我们的模型对致密、BENT、FRI 和 FRII 星系分别实现了 97% 的总体准确率和 98%、100%、98% 和 93% 的召回率。当前版本的 FIRST 分类器能够预测单个源或源列表的形态类别为致密或延展（FRI、FRII 和 BENT）。
引用
@article{arxiv.1807.10380,
title = {The FIRST Classifier: Compact and Extended Radio Galaxy Classification using Deep Convolutional Neural Networks},
author = {Wathela Alhassan and A. R. Taylor and Mattia Vaccari},
journal= {arXiv preprint arXiv:1807.10380},
year = {2018}
}
备注
9 pages, 10 figures. Accepted for publication in MNRAS