利用卷积神经网络识别天文图像中的引力透镜
天体物理仪器与方法
2019-05-17 v1 星系天体物理
摘要
欧几里得望远镜(Euclid)计划于2021年发射,将对半个天区进行成像和无缝光谱巡天,以绘制重子声波振荡和弱引力透镜图。在巡天期间,预计欧几里得望远镜将分辨出100,000个强引力透镜系统。这对于寻找罕见的透镜构型十分理想,前提是它们能够被可靠地、在合理的时间尺度内识别出来。为此,我们开发了一种卷积神经网络(CNN),可用于识别包含透镜系统的图像。CNN已被用于图像和数字分类,也被用于天文学中的星-星系分类。在此,我们的CNN在欧几里得强透镜小组提供的类欧几里得和类KiDS模拟数据上进行了训练和测试,成功分类了77%的透镜,ROC曲线下面积最高达0.96。我们的CNN还尝试对COSMOS HST F814W波段图像中的透镜进行分类。在卷积到欧几里得分辨率后,我们发现可以恢复大多数人眼可识别的系统。该Python代码已在Github上公开。
引用
@article{arxiv.1905.04303,
title = {Using Convolutional Neural Networks to identify Gravitational Lenses in Astronomical images},
author = {Andrew Davies and Stephen Serjeant and Jane M. Bromley},
journal= {arXiv preprint arXiv:1905.04303},
year = {2019}
}
备注
9 pages, 6 figures, MNRAS accepted