基于ResNet的旋涡星系旋臂数量识别效果分析.pdfVIP

第66卷第2期天文学报Vol.66No.2

2025年3月ACTAASTRONOMICASINICAMar.,2025

doi:10.15940/j.cnki.0001-5245.2025.02.007

基于ResNet的旋涡星系旋臂数量识别效果分析

董舒瑜张金区

(华南师范大学计算机学院广州510631)

摘要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GalaxyZooDECaLS(DarkEnergyCameraLegacySurvey)数据集,研究ResNet(ResidualNetworks)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(VisionTransformer)、

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.

关键词星系:旋涡星系,技术:图像处理,方法:数据分析,方法:分类

中图分类号:P157;文献标识码:A

1引言发展,如何通过深度学习方法实现旋涡星系旋臂数

量的自动识别成为天文信息学的重要内容.

随着各国空间科学技术的进步和大型巡天项

在以往的星系图像处理中,深度学习更多地被

目的开展,星系观测数据呈指数式增长.如何高效

用来进行星系形态的分类,而对深入一点的细节提

提取星系图像蕴含的信息,对于理解宇宙结构、演

取相对较少.对旋涡星系旋臂数量的识别,也可以

化和测量宇宙学参数都具有重要意义.旋涡星系作

看作是基于旋臂数量对旋涡星系进行精细分类,因

为宇宙中常见的星系类型之一,是研究星际物质和

此,同样可以借鉴深度学习的分类方法.基于深度

星系演化的重要天体.其中,旋涡星系的旋臂数量学习的分类方法能够自动提取图像中的特征,并对

是旋涡星系结构的重要特征,旋臂数量对于维持星这些特征进行学习建模,具有较高的分类准确率

系的动力学稳定、促进恒星形成等方面具有重要和可靠性.例如,戴加明等人提出的ResNet(Resid-

作用.例如,不同数量的旋臂意味着不同的物理ualNetworks)模型,即ResNet26(数字表示网络层

条件和演化历史,通过观察和区分旋涡星系的旋数)模型在星系形态分类问题中达到了95.2%的准

臂数量,科学家们可以验证和改进星系演化模型.