本文利用半监督式学习方法，通过使用 Group Equivariant Convolutional Neural Network，结合 SimCLR 和 BYOL 两种无监督式学习方法，对射电星系进行分类，并在这一过程中强调了半监督式学习在射电星系分类中的重要性。研究核心贡献是在标注数据较少的情况下，利用射电星系的未标注数据，通过分类实现表示学习。实验表明该方法优于现有的几种半监督式学习和全监督式学习方法，这一研究突出了半监督式学习在射电星系分类中的重要性。

May, 2023

该研究提出了基于 GBM 方法和 PCA 的数据更有效的替代卷积神经网络的分类器，针对射电天文学中的异星射电源形态分类问题进行研究，并探究数据集大小对分类器性能的影响，最终发现三种 GBM 方法在分类效果上优于目前最先进的基于卷积神经网络的分类器，CatBoost 的准确率最高。

Apr, 2023

无需大量训练数据，我们的研究提出了一种创新的方法：使用 COSFIRE 滤波器对射电星系进行分类，取得了高达 93.36% 的平均准确率，超过了当代深度学习模型在相同数据集上的结果，并且具有更好的计算性能。

Nov, 2023

使用射电和红外图像对银河平面上的紧凑射电源进行分类，训练了两个不同的分类器，通过完全监督的方法获得高分类准确率，两个模型的性能随着添加远红外和谱指数信息而提高。

Feb, 2024

本研究主要使用 BCNN 方法对星系进行形态分类，通过卷积神经网络（CNN）训练不同类别的星系图像，并结合贝叶斯网络进行预测，结果显示 BCNN 在多个评估指标上表现优于其他 CNN 模型。

May, 2024

本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

Aug, 2016

讨论使用弱监督深度学习算法，以减少复杂射电星系的像素级标签成本。使用澳大利亚平方公里阵列（ASKAP）望远镜的数据，展示了该算法在预测像素级信息方面的高准确性，包括射电辐射的掩蔽遥远星系中的所有成分和红外主机位置的掩模。

Aug, 2023

使用 ASKAP 望远镜进行的 EMU-PS 试验的首个星系目录的构建与检测流程，包括使用 Gal-DINO 计算机视觉网络进行源检测和目录构建，涵盖射电形态和红外主机位置预测，获得了大量射电源的分类和检测结果。

Mar, 2024

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

本文提出了使用混合变压器卷积结构及选择数据增强和正则化技术的方法学习更少量的数据以从现代天文调查中提取物理信息，此方法在 Galaxy10 DECals 数据集上取得了 94.86% 的精度，在 CIFAR-100 和 Tiny ImageNet 上也实现了新的最佳效果。

Apr, 2023