本文提出了一种自动检测和分类星系的方法，并使用新型数据增强程序来使训练模型更加健壮，以适应来自不同仪器和对比度拉伸函数的数据。该方法是 AstroCV 的一部分， AstroCV 是一个开源的计算机视觉库，用于处理和分析大型天文数据集，包括高性能的 Python 和 C++ 算法，它利用卷积神经网络和深度学习技术训练模型，提供的结果优于基于手动特征工程和 SVM 的方法。

Sep, 2018

引入了一种新的基于区块的恒星 - 星系分类方法，利用最新的 Sloan Digital Sky Survey 数据（SDSS-DR18），通过将天空按照 SDSS 观测模式进行分段，并使用专用的卷积神经网络（CNN），实现了恒星 - 星系分类的最新性能，初步结果证明了在实时观测环境下进行高效精确的天文分析的前景。

Apr, 2024

本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

Oct, 2018

本文提出使用深度学习将三维宇宙中星系分布与其背后的暗物质分布建立映射，以实现宇宙学模拟的快速计算。通过开发出的双层卷积神经网络结构生成的星系画像，相比于传统的宇宙学技术取得了更好的性能与准确性，并且与当前和未来的宇宙观测数据结合使用可以解决宇宙学中的一些基本问题。

Feb, 2019

利用深度学习方法研究中国空间站天文望远镜（CSST）的星系和星云 / 星团（NSC）图像识别，构建了本地天体图像数据集并设计了一种名为 HR-CelestialNet 的深度学习模型，其在测试集上达到了 89.09% 的准确率，并且在速度上表现出色，具有鲁棒性并能够实现 CSST 巡天任务期间的实时识别。

Dec, 2023

利用机器学习和深度学习结构，利用 SDSS-4 数据集的图像和元数据将 SDSS 数据集分类为星系，星星和类星体，并且实验结果表明冻结所有层并添加最后一个可训练层可能不是迁移学习的最佳解决方案。

May, 2022

使用神经网络和数据集精炼技术研究星系分类任务中的形态特征及其可视化，同时自适应匹配轨迹算法改进了计算机视觉性能。

Nov, 2023

使用新的大型 CCD 探测器进行的天文学广域成像带来了前所未有的规模的数据降低问题，该论文提出了一种新的基于神经网络 (NN) 的包 NExt (神经提取器)，可以自动检测物体、执行混合成分消除和恒星 / 星系分类。

Jun, 2000

本文使用卷积神经网络及迁移学习进行星系并合的自动检测与分类，结果表明相对于当前非参数系统 CAS 和 GM$_{20}$ 的方法，深度学习方法在并合检测中表现显著更好。通过迁移学习，可以在小训练集上有效提高分类性能并作为正则化器，同时不需进行图像预处理，并且在大训练集上得到了 15% 的相对改进。同时，通过与手动创建的合并目录进行比较，基于本方法得到的合并样本在颜色 - 质量分布和恒星质量函数方面的表现相对较好。

May, 2018

本文介绍了 SpinalNet 这种类似于人体远感系统的深度神经网络，其输入分割使得中间层能够接收前一层的一些输入和输出，从而减少了中间层的权重，使得计算成本和误差都大幅降低，应用于 Galaxy Zoo 数据集的分类准确率得到了进一步提升，分别为 98.2％，95％和 82％。

May, 2023