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

使用自然语言提示，无需额外训练即可实现视觉－语言多模态模型对低表面亮度星系和艺术品的零样本分类以及星系形态分类，在自然语言提示下，这些模型通常能够实现显著的准确度（通常在 80％以上），我们讨论了一些需要改进的领域，特别是 LLaVA-NeXT，这是一个开源模型，我们的研究结果旨在激励天文学界将视觉－语言多模态模型视为研究和教育的强大工具，并希望未来定制或优化的模型能够表现更好。

Jun, 2024

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

本文提出了使用混合变压器卷积结构及选择数据增强和正则化技术的方法学习更少量的数据以从现代天文调查中提取物理信息，此方法在 Galaxy10 DECals 数据集上取得了 94.86% 的精度，在 CIFAR-100 和 Tiny ImageNet 上也实现了新的最佳效果。

Apr, 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

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

最近的研究进展表明，语言视觉模型在二维计算机视觉任务方面已经超过了现有的最先进技术 (SOTA)，激发了将语言视觉模型应用于三维数据的尝试。然而，应用于点云的 LVM 面临着从三维数据提取特征的困难以及由于数据量大、采集和标注成本高导致数据集的可用性明显有限等挑战。为了解决这些问题，我们的研究旨在通过球面投影将 3D 数据转化为 2D，并尝试使用合成数据评估其在合成和真实数据之间弥合差距方面的效果。我们的方法表现出了高性能，准确率为 0.96，IoU 为 0.85，精确率为 0.92，召回率为 0.91，F1 分数为 0.92，验证了其潜力。然而，在未来的研究中仍需要解决遮挡问题和球面图像生成过程中多标签点的像素级重叠等挑战。

Apr, 2024

本文介绍了一种通用域适应方法 DeepAstroUDA，用于将不同类型的数据集进行半监督域对齐，在不同天文调查之间架起桥梁，对未标记的数据进行异常检测和聚类。

Nov, 2022

利用机器学习和深度学习结构，利用 SDSS-4 数据集的图像和元数据将 SDSS 数据集分类为星系，星星和类星体，并且实验结果表明冻结所有层并添加最后一个可训练层可能不是迁移学习的最佳解决方案。

May, 2022

该研究提出了一种新的方法，通过多模态深度学习框架从文本和视觉数据中提取洞察力，以模拟和评估人类对扫描电子显微镜 (SEM) 图像（特别是玻璃材料）的交互。我们的模型（GlassLLaVA）在解释、特征识别和检测以前未见的 SEM 图像中的缺陷方面表现出色，为科学成像应用引入了多用途的评估指标，进一步缩小人与机器解释在科学成像中的差距，为未来研究和广泛应用提供了广阔的可能性。

Sep, 2023