用于星系特征检测的迁移学习：使用 Faster R-CNN 在低红移星系中寻找巨恒星形成团块
星系天体物理
2024-04-02 v3 天体物理仪器与方法
摘要
巨恒星形成团块 (GSFCs) 是通常在高红移 (z>1) 星系中观测到的剧烈恒星形成区域，但它们的形成及其在星系演化中的作用仍不清楚。低红移团块星系类似体的高分辨率观测很少，且仅限于少数星系，但越来越丰富的宽场星系巡天数据使得探测大样本团块星系变得越来越可行。深度学习，特别是 CNN，已成功应用于天体物理数据分析中的图像分类任务。然而，深度学习的一个相对未被探索的应用是在天体物理成像数据中自动识别和定位特定目标或特征。在本文中，我们展示了使用基于深度学习的目标检测模型在天体物理成像数据中定位 GSFCs 的可行性。我们应用 Faster R-CNN 目标检测框架 (FRCNN) 来识别低红移 (z<0.3) 星系中的 GSFCs。与其他研究不同，我们训练不同的 FRCNN 模型不是使用带有已知标签的模拟图像，而是使用由斯隆数字巡天遗留巡天收集并由公民科学项目“星系动物园：团块搜寻”的志愿者标记的真实观测数据。FRCNN 模型依赖 CNN 组件作为“骨干”特征提取器。我们表明，使用天体物理图像预训练进行图像分类的 CNN 优于在地面图像上预训练的 CNN。特别是，我们将领域专用 CNN——“Zoobot”——与通用分类骨干网络进行比较，发现 Zoobot 实现了更高的检测性能，并且所需训练数据集更小。我们的最终模型能够产生完整度和纯度均 >=0.8 的 GSFC 检测，而仅在约 5,000 张星系图像上进行训练。
引用
@article{arxiv.2312.03503,
title = {Transfer learning for galaxy feature detection: Finding Giant Star-forming Clumps in low redshift galaxies using Faster R-CNN},
author = {Jürgen Popp and Hugh Dickinson and Stephen Serjeant and Mike Walmsley and Dominic Adams and Lucy Fortson and Kameswara Mantha and Vihang Mehta and James M. Dawson and Sandor Kruk and Brooke Simmons},
journal= {arXiv preprint arXiv:2312.03503},
year = {2024}
}
备注
Accepted for publication in RASTI, 22 pages