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
该研究提出了一种基于蒙特卡洛dropout的贝叶斯卷积神经网络,用于可靠地估计星系的椭圆度和相应的测量不确定性,并展示了如何可靠地估计其后验预测分布以及鲁棒的估计认识的不确定性。
Apr, 2021
利用贝叶斯统计学、分析理论和基于神经得分匹配的深度生成模型的方法,构建一个高效的方法来进行弱引力透镜质量绘制,从而精确重建 HST/ACS COSMOS 领域的收敛地图。
Jan, 2022
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
本文使用Vision Transformer (ViT)模型在31,200个模拟的强引力透镜图像上进行了实验,与传统方法相比在运行速度和成果方面有很大的提升,特别是在参数估计上更为优秀。这为下一代强透镜科学提供了有力的工具,代码和数据公开在https://github.com/kuanweih/strong_lensing_vit_resnet。
Oct, 2022
本篇论文旨在介绍天文观测中的点扩散函数(PSF)建模,包括背景知识、PSF的物理贡献、建模方法与验证方法,并重点探讨PSF建模在未来天文望远镜中的挑战与未来发展方向。
Jun, 2023
基于条件扩散模型的星系图像 PSF 解卷积方法,相较条件变分自动编码器有更多样化的解卷积结果。
Jul, 2023
发展了两种新颖的星系形态统计方法,并简化了现有的图像统计方法,通过随机森林分类器准确检测螺旋和椭圆星系。
Oct, 2023
本研究解决了机器学习应用中星系数据集匮乏的问题,提出了一个统一且一致的星系图像和光度数据集。该数据集包含286,401幅图像,并展示了利用图像估算红移的优越性,结果表明图像数据在红移估算中的精度明显高于单独使用光度数据。这项工作将促进未来星系调查数据的机器学习方法开发。
Sep, 2024