Oct, 2016

Galaxy Zoo: HST 遗产成像中 120,000 个星系的形态分类

PDF
TL;DR该研究介绍了 Galaxy Zoo: Hubble 项目，使用众包的视觉分类方法，测量并发布了 119849 个星系的形态学数据，提供了到 z ~1 的巨大数据集，适用于研究星系演化。
发现论文，激发创造
  • Galaxy Zoo：CANDELS 48000 个星系的定量视觉形态分类

    研究使用 Galsxy Zoo 数据量化描述约 48,000 个星系的空间形态学，并提供了缩小了的深度校正分类数据，用于星系分类的选取，使用这些分类数据结合其他方法，探索了 1 < z < 3 时段中分布在恒星分布表面的星系群的动力学热度及星系进化等问题。

    Oct, 2016

  • 银河动物园 2：来自 Sloan Digital Sky Survey 的 304,122 个星系的详细形态分类

    Galaxy Zoo 2 是一个旨在通过公众参与，将天文图像中的星系形态分类的公民科学项目，本文介绍了其数据发布，并说明其优势在于对大量天文图像进行目测分类的不可替代性。

    Aug, 2013

  • 来自 SDSS 的星系视觉检查导出的形态学

    通过 Galaxy Zoo 项目，从 Sloan 数字巨星勘测中提取了近一百万个星系，邀请公众通过互联网对其进行视觉形态分类研究，得到了早期数据集所没有的新的形态分类目录，避免了代理变量引入偏差的情况，同时还可以通过颜色 - 等级图表直接比较星系的基础形态特征。

    Apr, 2008

  • 应用深度学习改善 SDSS 星系形态学

    本文使用深度学习算法，结合精准的视觉分类目录，通过彩色图像获得 T-Type 和 GZ2 类型问题的分类，以得到最大和最准确的形态目录。

    Nov, 2017

  • 螺旋 - 椭圆自动星系形态分类从望远镜图像

    发展了两种新颖的星系形态统计方法，并简化了现有的图像统计方法，通过随机森林分类器准确检测螺旋和椭圆星系。

    Oct, 2023

  • 通过机器学习复现星系形态：星系动物园

    此论文提出了一种使用机器学习进行形态分类的方法，并在 SDSS DR6 目录中测试了该方法的效果，并发现利用自适应形状参数、浓度和纹理等参数可以改善算法分类效果，并证明使用 Galaxy Zoo 目录可以为下一代广域成像调查提供宝贵的训练集。

    Aug, 2009

  • Galaxy Zoo: 环境对形态和颜色的依赖性

    我们利用 Galaxy Zoo 数据对超过 100,000 个银河天体的形态、颜色、环境和恒星质量之间的关系进行分析，结果显示颜色和形态的分布与环境有非常大的不同，只有少部分与恒星质量函数的环境变化有关，红棒螺旋星系包括真正的棒旋星系，颜色对密度的关系主要由斑旋星系的红色分数在形态固定时的变化主导。

    May, 2008

  • 基于旋转不变卷积神经网络的星系形态预测

    本篇研究利用一种基于深度神经网络的方法，通过对称性原理对 SDSS 和 Galaxy Zoo 的星系图像进行分类，能够在大规模的图像数据集上高效准确地进行星系形态分类，这一方法在提高工作效率的同时也能保持非常高的分类精度。

    Mar, 2015

  • 银鹭巡天：采用 t-SNE 降维技术进行光谱信息分类和诊断

    Galah 是一项使用高分辨率光谱观测汇散在银河系中的星形成遗迹，解恋银河系形成历史的计划，已经获得了 30 万颗星的光谱数据，但需要一种半自动分类方案来识别星的特征，这里应用 t-SNE 这种降维算法，将 209,533 个星的光谱分为十种分类，并列出分类目录方便后续研究。

    Dec, 2016

  • 高级摄影机巡天普查总目录：约一百万个星系的结构参数

    使用哈勃太空望远镜上的 ACS 仪器的公开数据，构建了 ACS-GC 数据库，包括约 470,000 个星体和星系，使用 Galapagos 软件构建了光度和形态学目录，并使用单一 Sersic 模型，提取了定量结构参数，同时提供了红移（光谱和光度）和彩色邮票等信息。

    Mar, 2012