Aug, 2019

使用 Mask R-CNN 深度学习对天文源进行分离和分类

PDF
TL;DR本篇研究使用深度学习技术对多波段天文图像中的光源进行检测、分类和去混叠处理，构建一个基于 Mask R-CNN 图像处理框架的人工神经网络，并在星系和星星分类的模拟数据下进行了评估，其精度在 92% 的情况下回收率为 80% 的星星数据和 98% 的情况下回收率为 80% 的星系数据。研究还证明，其去混叠功能极为稳定，可用于 LSST 和 WFIRST 等深度图像调查项目。
发现论文，激发创造
  • 宽视场小口径望远镜中深度神经网络探测和分类天文目标

    本文提出一种基于深度神经网络的天文目标检测和分类框架，通过应用 Faster R-CNN 概念及使用修改的 Resnet-50 作为骨干网络和一个特征金字塔网络来提取不同天文目标的图像特征，以提高框架的泛化能力。通过模拟和真实观测图像来训练神经网络，实现天体目标的自动检测和分类，并可以部署在 Nvidia Jetson Xavier 等嵌入式设备上进行实时检测和分类。

    Feb, 2020

  • 使用深度卷积神经网络进行星系分类

    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

  • 使用深度学习和数据增强进行星系检测和识别

    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

  • 利用迁移学习检测星系合并

    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

  • 使用分支生成对抗网络去卷积星系重叠

    为了解决在密集区域 50% 的混合星系图像问题，我们提出了一种基于分支生成对抗网络的新型解混方法，并通过数据演示其高准确性、高峰值信噪比和结构相似得分，适用于未来大规模调查所需的海量数据处理。

    Oct, 2018

  • 广域成像技术一：神经网络在目标探测和星系分类中的应用

    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

  • 行星科学数据的特征提取和分类：机器学习的应用

    采用机器学习神经网络来识别外行星任务的图像数据集，以实现特征识别。我们分别应用了转移学习和更新的训练模型的方法来识别埃罗帕上混沌区断裂冰的冰块，以及通过训练模型来识别土卫六上的云，进一步验证了我们的技术。

    Oct, 2023

  • 用于分类、检测和预测斯隆数字天区 Stripe 82 类星体光度红移的深度学习方法

    本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。

    Dec, 2017

  • 通过组合神经网络简化多波段映射中的透镜状类星体鉴定

    本研究使用卷积神经网络和深度学习管道自动检测强透镜效应，并在多波段图像中检测到了可以用于光谱学确认的 161 个候选源。

    Jul, 2023

  • 利用卷积神经网络在暗能量调查中搜索强透镜系统

    使用卷积神经网络从第一批 Dark Energy Survey（DES）数据中筛选出强引力透镜系统的候选物，包括 405 个透镜候选物和 539 个可用于训练 CNNs 的环状星系候选物，并构建自动化建模管道来对 52 个有单个偏转器的系统进行建模。

    Aug, 2021