无线电图像立方体分类的进展
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
为了扩充现有的数据集并解决类别失衡的问题，我们提出了名为 RADiff 的条件扩散模型生成方法，用来生成包含不同形态的射电源的合成图像，同时还展示了我们训练深度学习模型并在数据集上实现语义分割任务的有效性。
Jul, 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
利用 RadioGalaxyNET 多模态数据集和一套新颖的计算机视觉算法自动检测和定位多组件扩展射电星系及其对应的红外主机，为创建下一代深度调查的射电星系目录提供支持。该数据集包括 2,800 张射电和红外双通道的图像中共 4,155 个星系实例，每个实例提供扩展射电星系类别，包围所有组件的边界框，像素级分割掩模以及对应红外主机星系的关键点位置的信息。对数据集进行了几种目标检测算法的基准测试，并提出了一种新颖的多模态方法，同时检测射电星系和红外主机的位置。
Dec, 2023
通过无监督机器学习方法，我们为 Chandra Source Catalog 的源提供了概率分类，并展示了该方法在识别年轻恒星物体的发射以及区分小尺度和大尺度紧凑吸积源方面的成功，为这种概率分类器提供了可解释性。
Jan, 2024
通过基于 PCA 的机器学习算法对短暂成像数据进行分类，可以实现 96% 的完整度和 84% 的准确度，并且在未来的天文调查中将大力发展完全机器化的解决方案。
Jul, 2014
该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。
Jul, 2017