基于深度殘差網絡的星系形態分類

作者：戴加明,佟繼周

摘要：星系形態與星系的形成和演化有著密切的聯系,因此星系形態分類(galaxy morphology classification)成為研究不同星系物理特征的重要過程之一。斯隆數字巡天(Sloan Digital Sky Survey,SDSS)等大型巡天計劃產生的海量星系圖像數據對星系形態的準確、實時分類提出了新的挑戰,而深度學習(deep learning)算法能有效應對這類海量星系圖片的自動分類考驗。面向星系形態分類問題提出了一種改進的深度殘差網絡(residual network,ResNet),即ResNet-26模型。該模型對殘差單元進行改進,減少了網絡深度,并增加了網絡寬度,實現了對星系形態特征的自動提取、識別和分類。實驗結果表明,與Dieleman和ResNet-50等其他流行的卷積神經網絡(convolution neural network,CNN)模型相比,ResNet-26模型具有更優的分類性能,可應用于未來大型巡天計劃的大規模星系形態分類系統。

發文機構：中國科學院國家空間科學中心 中國科學院大學

關鍵詞：星系形態分類卷積神經網絡殘差網絡galaxymorphology classificationResNetCNN

分類號： P152[天文地球—天文學]