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

使用神经网络和数据集精炼技术研究星系分类任务中的形态特征及其可视化，同时自适应匹配轨迹算法改进了计算机视觉性能。

Nov, 2023

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

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

使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

Apr, 2023

星体震荡、颗粒化、光曲线、机器学习和 Astroconformer 构成了这篇论文的主要研究内容。

Sep, 2023

用卷积神经网络的深度机器学习技术分类广义源的射电图像，训练样本大小为每个类别 200 个源，精度最高达 95％。

May, 2017

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

本文提出使用深度学习将三维宇宙中星系分布与其背后的暗物质分布建立映射，以实现宇宙学模拟的快速计算。通过开发出的双层卷积神经网络结构生成的星系画像，相比于传统的宇宙学技术取得了更好的性能与准确性，并且与当前和未来的宇宙观测数据结合使用可以解决宇宙学中的一些基本问题。

Feb, 2019