揭示潮汐宝藏：DECaLS数据中微弱潮汐特征的自动分类
星系天体物理
2024-09-23 v2
摘要
潮汐特征是星系层级形成模型的关键可观测预测，包含关于星系性质和历史的丰富信息。现代宽场巡天如LSST和Euclid将彻底改变潮汐特征的研究。然而，数据量之大将禁止通过视觉检查来识别特征，因此需要开发自动检测方法。本文对DECaLS巡天中约2000个星系进行了视觉分类，分为不同的潮汐特征类别：旋臂、流、壳层和弥散。我们训练了一个卷积神经网络（CNN）来使用这些标签重现分配的视觉分类。在测试集上（有潮汐特征的星系与无特征的比例约为1:10），我们的网络表现非常好，在仅20%污染的情况下，分别检索到了旋臂、流、壳层和弥散特征实际实例的中位数98.7±0.3%、99.1±0.5%、97.0±0.8%和99.4^{+0.2}_{-0.6}%。一个修改版本（识别有任何特征的星系与无特征的星系）在准确率、精确率、召回率和F1指标上分别达到了0.981^{+0.001}_{-0.003}、0.834^{+0.014}_{-0.026}、0.974^{+0.008}_{-0.004}和0.900^{+0.073}_{-0.015}。我们使用梯度加权类激活映射分析来突出图像中对给定分类重要的区域，以验证网络正确分类了星系。这是首次展示使用CNN将潮汐特征分类为子类别，这将为在即将到来的宽场巡天提供的大量星系样本中识别不同类别的潮汐特征铺平道路。
引用
@article{arxiv.2404.06487,
title = {Uncovering Tidal Treasures: Automated Classification of Faint Tidal Features in DECaLS Data},
author = {Alexander J. Gordon and Annette M. N. Ferguson and Robert G. Mann},
journal= {arXiv preprint arXiv:2404.06487},
year = {2024}
}
备注
22 pages, 14 figures, 5 tables, accepted for publication in MNRAS