基于深度残差网络的星系形态分类

• 作者: 佟继周 戴加明
• 来源期刊: 天文学进展
• 学科: 地球科学
• 关键词: 星系 形态分类 卷积神经网络 残差网络
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 研究论文
• 页码范围: 384-397
• 页数: 14页
• 分类号: P152
• 字数: 7594字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-8349.2018.04.03

摘要

星系形态与星系的形成和演化有着密切的联系,因此星系形态分类(galaxy morphology classification)成为研究不同星系物理特征的重要过程之一.斯隆数字巡天(Sloan Digital Sky Survey,SDSS)等大型巡天计划产生的海量星系图像数据对星系形态的准确、实时分类提出了新的挑战,而深度学习(deep learning)算法能有效应对这类海量星系图片的自动分类考验.面向星系形态分类问题提出了一种改进的深度残差网络(residual network,ResNet),即ResNet-26模型.该模型对残差单元进行改进,减少了网络深度,并增加了网络宽度,实现了对星系形态特征的自动提取、识别和分类.实验结果表明,与Dieleman和ResNet-50等其他流行的卷积神经网络(convolution neural network,CNN)模型相比,ResNet-26模型具有更优的分类性能,可应用于未来大型巡天计划的大规模星系形态分类系统.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	佟继周	中国科学院国家空间科学中心	9	24	4.0	4.0
2	戴加明	中国科学院国家空间科学中心	1	5	1.0	1.0