强透镜识别神经网络的选择功能

Jul, 2023

Selection functions of strong lens finding neural networks

A. Herle, C. M. O'Riordan, S. Vegetti

TL;DR通过使用不同训练数据集和三个代表性网络，我们发现卷积神经网络在选择镜引力透镜系统时具有偏倚，并且偏好具有较大的爱因斯坦半径和更集中的源光分布，这一选择函数对于所有神经网络都是普遍适用的。

Abstract

convolution neural networks trained for the task of lens finding with similar architecture and training data as is commonly found in the literature are biased classifiers. An understanding of the →

convolution neural networks lens finding selection function einstein radii source-light distributions

发现论文，激发创造

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

当谱建模遇上卷积网络：一种在多波段成像数据中发现复合再电离时代透镜类星体的方法

本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

Nov, 2022

强引力透镜发现挑战

通过大规模成像调查，使用自动化方法识别出强引力透镜，其中包括使用卷积神经网络等各种方法，得到的结果表明，这些方法识别率很高，远优于直接人工识别。

Feb, 2018

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

即将进行的光学成像调查中星系强镜体的数量

该研究预测了未来的成像调查将找到多少宇宙强镜，并模拟了它们的特性，发现你使用蓝减红成像方案可以找到更多强镜，但这仍存在不确定性。

Jul, 2015

用卷积神经网络快速自动分析强引力透镜

本文报道了使用深度卷积神经网络在非常快速且自动化的方式下准确估计透镜参数的方法，不需要使用最大似然方法，而且可以提供一种非专家获取大量数据的透镜参数估计的方法。

Aug, 2017

深度学习驱动的改进宇宙学参数推断方案

使用改进的 CNN 算法和基于峰值计数的易于理解方法，可以更好地估计弱引力透镜映射的余量参数和标准差，并提取更多的高阶统计信息，这在研究宇宙学和暗物质中非常有帮助。

Jun, 2018

使用连续神经场进行强引力透镜源重建

研究使用神经网络在高分辨率镜像数据上模拟暗物质、远距离星系光学扭曲等，以解答宇宙学中的一些大问题。

Jun, 2022

用卷积神经网络处理噪声数据进行弱引力透镜宇宙学

利用卷积神经网络能够从弱引力透镜生成的汇聚度图中提取信息，比功率谱方法能够更加严格地约束宇宙学参数而且能够提取弱引力透镜地图中的非高斯信息。

Feb, 2019

应用自适应网格的贝叶斯强引力透镜建模：在星系中客观探测物质亚结构

介绍一种新的自适应全贝叶斯网格方法，用于建模具有扩展图像的强引力透镜，通过高倍率放大的弧和爱因斯坦环的效应来量化大质量星系中的明亮和暗质量亚结构水平，并使用拟合广义线性模型的贝叶斯惩罚函数去修正潜在的网格潜在的亚结构，实现源和潜在的正则化多样性的客观评估；基于 Nested-Sampling 技术，实现了对所有的非线性质量模型参数的误差量化，能将不同的势能模型根据边缘化证据进行客观排名，其精度能检测 Einstein 环上质量大于等于 10 ^ 7 太阳质量的扰动。

May, 2008