强透镜识别神经网络的选择功能
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
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
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
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
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
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