旋涡星系图像中所蕴含的旋臂信息,尤其是旋臂数量,对研究星系结构演化和星系动力学具有重要价值.在当前星系观测数据爆发式增长的背景下,如何快速识别出旋臂数量成为旋涡星系研究的重要问题.基于Galaxy Zoo DECaLS(Dark Energy Camera L...旋涡星系图像中所蕴含的旋臂信息,尤其是旋臂数量,对研究星系结构演化和星系动力学具有重要价值.在当前星系观测数据爆发式增长的背景下,如何快速识别出旋臂数量成为旋涡星系研究的重要问题.基于Galaxy Zoo DECaLS(Dark Energy Camera Legacy Survey)数据集,研究ResNet(Residual Networks)模型从旋涡星系图像中识别旋臂数量的方法,通过对比分析ResNet在不同网络层数下的实验结果,得出具有32层网络结构的ResNet模型,即ResNet32效果最佳,其总体准确率为83%,识别效果优于ViT(Vision Transformer)、EfficientNet和DenseNet等网络模型.在对不同旋臂数量的识别方面,识别准确率与训练样本的多少有较强的关系,拥有2个旋臂的图像数量有6800张,其F1分数(F1-Score)值达到0.9,而有4个旋臂的图像数量只有237张,其F1-Score值也最低.实验进一步分析了融合传统星系图像特征的识别效果,发现融合传统星系图像特征在提升旋臂数量识别方面作用有限.展开更多
文摘旋涡星系图像中所蕴含的旋臂信息,尤其是旋臂数量,对研究星系结构演化和星系动力学具有重要价值.在当前星系观测数据爆发式增长的背景下,如何快速识别出旋臂数量成为旋涡星系研究的重要问题.基于Galaxy Zoo DECaLS(Dark Energy Camera Legacy Survey)数据集,研究ResNet(Residual Networks)模型从旋涡星系图像中识别旋臂数量的方法,通过对比分析ResNet在不同网络层数下的实验结果,得出具有32层网络结构的ResNet模型,即ResNet32效果最佳,其总体准确率为83%,识别效果优于ViT(Vision Transformer)、EfficientNet和DenseNet等网络模型.在对不同旋臂数量的识别方面,识别准确率与训练样本的多少有较强的关系,拥有2个旋臂的图像数量有6800张,其F1分数(F1-Score)值达到0.9,而有4个旋臂的图像数量只有237张,其F1-Score值也最低.实验进一步分析了融合传统星系图像特征的识别效果,发现融合传统星系图像特征在提升旋臂数量识别方面作用有限.
