Nov, 2022

采用 SoFiA、MTObjects 和监督式深度学习技术进行氢发射线谱立方体数据源提取技术比较研究

PDF
TL;DR本研究旨在寻找最佳管道，用于在 3D 中性氢 21 厘米谱线数据立方体中找到和屏蔽最多的源，磨砂质量最好且假源最少。通过测试 SoFiA 和 MTObjects 这两种传统的源查找方法以及新的监督深度学习方法，发现 SoFiA 与随机森林结合提供了最佳结果，而 V-Net - 随机森林组合紧随其后。
neutral hydrogenspectral linesource-findingmachine learningradio astronomy
发现论文，激发创造
  • 使用深度学习方法自动识别和分割 CRAFTS 中的高连接处信息

    介绍了一种基于机器学习的方法用于从三维光谱数据中提取 HI 源，并构建了一个专用的 HI 源数据集。利用 3D-Unet 分割架构，我们的方法可靠地识别和分割 HI 源，达到了 91.6% 的召回率和 95.7% 的准确性水平。这些结果证实了我们定制数据集的价值以及我们提出的网络在识别 HI 源方面的功效。我们的代码公开在该网址上。

    Mar, 2024

  • 利用监督式机器学习对银河系平面紧凑射电源进行分类

    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

  • deep21: 一种用于 21 厘米前景去除的深度学习方法

    使用具有 UNet 架构和三维卷积的卷积神经网络，通过训练模拟观测来有效分离宇宙中性氢光谱的频率与空间模式和前景，其相比于标准的 PCA 方法，在小角尺度和小径向尺度上有一个数量级的减少预测误差方差和精度提高，有助于未来的 21 厘米强度映射实验。

    Oct, 2020

  • 深度学习赛弧谱线以探索和描述阻尼莱曼 α 系统

    本篇论文使用多目标学习的卷积神经网络来搜寻和表征夸克星光谱中的强氢 Lyman-Alpha 吸收，并完成分类和定量测量。该算法能够准确地预测 HI 吸收的存在性，并估计相应的 redshift zabs 和 HI 柱密度 NHI，并使用自定义的训练集进行模型训练，最后在 SDSS-DR7 和 BOSS 数据集中应用，证明了深度学习在天文光谱测量方面应用的有效性。

    Sep, 2017

  • 宇宙黎明和再电离的 21 厘米断层摄影深度学习

    本文介绍了一种基于卷积神经网络深度学习的 21 厘米图像技术，以回复描述第一代星系 (Tvir、zeta、LX/SFR 和 E0) 的星系天文物理参数，其精确度达到 Monte Carlo Markov Chain 采样及 21CMMC 对两个模拟观测的精度。

    May, 2018

  • RG-CAT：EMU 初 搜索天空试点调查的射电星系检测流水线与目录

    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

  • 一种用于在天文学中联合提取光谱和源计数分布的深度学习框架

    天文观测通常提供三维地图，编码观测通量在天球的两个角度和能量 / 频率上的分布。我们提出了一个深度学习框架，能够同时重建不同发射成分的光谱和点源群体的源计数分布，实现了从模拟地图中准确提取复杂形状的光谱和源计数分布的目标。

    Jan, 2024

  • HI 丝是冷的，且与暗分子气体相关。基于 HI4PI 的估计本地弥散的 CO 暗 H2 分布

    通过查询 HI 数据获得 Doppler 温度，探讨 E (B-V)/NHI 的温度依赖性，从而证明冷的 HI 气体与 H2 有联系；并通过灰尘与气体的比值识别 CO-dark H2 的密度和位置。

    Apr, 2020

  • 利用变分推断从 21 厘米信号中估计参数

    本文利用变分推理，尤其是贝叶斯神经网络，作为 21 厘米观测的 MCMC 替代方法，报告宇宙学和天体物理参数的可信估计，并评估它们之间的相关性。

    May, 2020

  • 用于快速检索射电图像数据的深度监督哈希

    利用深度哈希方法在天文学领域快速搜索相似的无线电图像，并在大规模上高效地检索。

    Sep, 2023