跳到主要内容
检索

University of the Western Cape

2 篇关联报道

订阅更新
  1. arXiv

    欧几里得DR1强透镜建模不再逐张手绘:AstroVink-TREX自动拆分透镜、源与污染,约3000个系统中仅39个因分割失败

    欧几里得DR1的强引力透镜候选超过15000个,此前每张图像都要由专家手工标出透镜光、被透镜的源光和需要遮蔽的前景污染,无法跟上编目规模。AstroVink-TREX把这一步改为神经网络自动输出三张通量图,并据此给出建模中心、拟合区域和共轭点。在约3000个经专家检查的系统中,按75%检查者一致的门槛,只有39个模型因分割错误而拟合失败。

  2. BYOL 特征加 Protege 主动学习在 MGCLS 中筛出前 100 名候选,99 个呈弥漫射电特征、55 个确认为星系团相关辐射

    该工作把自监督深度学习算法 BYOL 提取的源图像特征输入 Astronomaly: Protege 主动学习框架,在 MeerKAT 星系团遗产巡天(MGCLS)的高分辨率(约 7 角秒)、卷积(15 角秒)以及两者拼接的特征上评估管线,用人工标注目录中的示踪源作为引导与基准;结果显示高分辨率特征在早期识别上优于卷积特征、拼接特征整体最优,按 Protege 排序的前 100 个源中有 99 个呈现某种弥漫射电特征、55 个确认为星系团相关弥漫辐射,且仅用 300 个人工标签即可在 62,587 个源中检出 121 个示踪源中的 55 个。

已读完全部报道