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
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
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。
Oct, 2016
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。
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
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
本文介绍了使用 Galaxy Zoo 项目的数值数据进行星系分类的机器学习模型,该模型利用卷积神经网络从星系图像中提取特征并将其分类为螺旋形或椭圆形。我们通过将模型与人类分类器在 Galaxy Zoo 数据集的子集上进行比较来证明模型的有效性。我们的结果表明,我们的模型在星系分类上具有高准确性,并有可能显著增强我们对星系形成和演化的理解。
Nov, 2023
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
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
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