Radio Galaxy Zoo EMU: Harnessing Citizen Science and AI to Advance Open Science Catalogues
针对自动识别射电源的算法在复杂结构识别和宿主星系关联上的局限，RGZ EMU项目结合ASKAP望远镜和EMU巡天数据，整合新型机器学习技术与公民科学，生成高质量分类结果以训练模型和编目射电源，并展示了第一阶段成果及其对开放科学目录的改进价值。
2025-09-24 astro-ph.GA astro-ph.IM
Radio Galaxy Zoo: EMU -- paving the way for EMU cataloging using AI and citizen science
针对EMU巡天中延展射电源的识别难题，RGZ EMU项目提出结合公民科学与机器学习的通用框架，旨在识别约400万个延展源，增强EMUCAT编目能力。
2025-06-19 astro-ph.IM
The SATCHEL pipeline: A general tool for data classified through citizen science
公民科学是一种强大的分析工具，能够在很短的时间内处理大量的数据。为了弥合基于网络的公民科学平台的分类数据产品与统计上稳健的信号显著性分数之间的差距，我们提出了在公民科学寻找光曲线系外行星（SATCHEL）管道中的过境搜索算法。这个开源的、可定制的管道是为了识别和分配志愿者标记的一维特征的重要性估计而构建的。我们描述了SATCHEL管道的功能，通过应用程序的功能，从开普勒太空望远镜的光度时间序列数据，分类由志愿者作为行星猎人公民科学项目的一部分，在Zooniverse平台上托管。我们评估SATCHEL管道的整体性能的基础上恢复已知的信号（模拟和信号对应于官方开普勒对象的兴趣）和相对污染的虚假功能。我们发现，对于一系列管道超参数和合理的分数截止值，SATCHEL能够从对应于半径为$>2~R_\oplus$的系外行星的模拟中恢复超过98%的信号的志愿者识别，并且大约85%的信号对应于相同大小范围的KOI。SATCHEL可以透明地适应其他公民科学分类数据集，并可在GitHub上使用。
2022-03-17 astro-ph.EP astro-ph.IM
Science Learning via Participation in Online Citizen Science
我们调查志愿者参与在线公民科学项目在Zooniverse（www.zooniverse.org），包括天文项目银河动物园（www.galaxyzoo.org）和行星猎人（www.planethunters.org）的科学内容知识的发展。我们使用计量经济学的方法来测试项目参与的措施如何与成功的科学测验，控制已知的与科学知识相关的因素。公民科学家认为，他们通过参与学习科学的内容和过程。我们不会直接测试后者，但我们找到了支持前者的证据--更积极参与的参与者在特定项目的科学知识测验中表现更好，即使在控制了他们的一般科学知识之后。我们将其解释为参与在线公民科学激发的科学内容学习的证据。
2016-04-14 astro-ph.IM cs.CY physics.ed-ph
Citizen ASAS-SN Data Release I: Variable Star Classification Using Citizen Science
我们介绍了Citizen ASAS-SN的第一个结果，这是一个公民科学项目，用于在Zooniverse平台上托管的全天空超新星自动调查（ASAS-SN）。公民ASAS-SN利用更新，更深，更高的节奏ASAS-SN $g$波段数据和任务志愿者分类周期变星候选人的基础上，他们的相位光变曲线。我们从40，640个新的候选变量开始，这些候选变量来自一个${\sim} 7.4$百万颗恒星的输入列表，其中有$δ< -60^\circ$，志愿者们确定了10，420个新发现，他们将其归类为4，234个脉动变量，3，132个旋转变量，2，923个食双星，131个标记为未知的变量。他们对已知的变星进行了分类，脉动变星的准确率为89%，食双星的准确率为81%，旋转变星的准确率为49%。我们检查用户的性能，用户之间的协议，并比较公民科学分类与我们的机器学习分类更新的$g$波段光变曲线。通常，用户活动与更高的分类准确度和更高的用户一致性相关。我们使用用户的“垃圾”分类来开发一个有效的机器学习分类器，以区分真实变量和虚假变量，并且有一个明确的路径来使用这个“垃圾”训练集来显着改进我们的主要机器学习分类器。我们还举例说明了公民ASAS-SN识别异常变量的价值。
2021-11-03 astro-ph.IM astro-ph.SR
A citizen-science approach to muon events in imaging atmospheric Cherenkov telescope data: the Muon Hunter
事件分类是伽玛射线天体物理学中的一项常见任务。它可以用快速发展的机器学习算法来处理，这些算法有可能优于传统的分析方法。然而，机器学习模型的一个主要挑战是从真实数据中提取可靠标记的训练示例。公民科学为应对这一挑战提供了一种有希望的方法。我们介绍了“μ子猎人”，一个在Zooniverse平台上托管的公民科学项目，其中VERITAS数据由个人用户多次分类，以选择和参数化μ子事件，这是宇宙射线诱导簇射的产物。我们使用这个数据集来训练和验证卷积神经网络模型，以识别μ子事件，用于监测和校准。这项工作的结果和我们使用Zooniverse的经验。
2017-08-21 astro-ph.IM
Bursts from Space: MeerKAT - The first citizen science project dedicated to commensal radio transients
首个共生射电暂现源公民科学项目Bursts from Space: MeerKAT利用志愿者分类发现了142个新变源，证明公民科学可有效发现周至年尺度变化现象，并助力机器学习暂现源搜索。
2023-04-27 astro-ph.GA astro-ph.HE astro-ph.IM
Citizen Science in European Research Infrastructures
本文介绍了在Horizon资助项目ASTERICS和ESCAPE中通过直接让公众科学志愿者参与数据挖掘分类，显著提升了科学与社会影响，并为物理科学中的众包数据挖掘提供了建议。
2024-04-29 astro-ph.IM physics.ed-ph
Discovering features in gravitational-wave data through detector characterization, citizen science and machine learning
引力波的观测受到瞬态噪声（毛刺）的阻碍。我们研究了高级LIGO探测器第三次观测运行的数据，并确定了新的故障类别。使用通过监测探测器状态和公民科学志愿者组装的训练集，我们更新了Gravity Spy机器学习算法以进行故障分类。我们发现，一个新的毛刺类地面运动的检测器的网站是特别普遍，并确定两个子类，这与不同类型的地面运动。基于更新模型的数据重新分类发现，LIGO Livingston所有瞬态噪声中有27%属于新的毛刺类，使其成为该站点最常见的瞬态噪声源。我们的研究结果既展示了故障分类如何揭示引力波探测器的潜在改进，又展示了在适当的框架下，公民科学志愿者如何在大型数据集中做出发现。
2021-09-07 astro-ph.IM gr-qc physics.ins-det
Galaxy Zoo DESI: Detailed Morphology Measurements for 8.7M Galaxies in the DESI Legacy Imaging Surveys
本文利用在 Galaxy Zoo 志愿者投票上训练的深度学习模型，对 DESI 遗产巡天中 867 万星系进行自动化精细形态测量，将天空覆盖面积扩大 4 倍，并实现了与 ALFALFA、MaNGA 等巡天的完全重叠。
2023-09-20 astro-ph.GA astro-ph.IM
Citizen Science: Contributions to Astronomy Research
Space Telescope Science Institute（空间望远镜科学研究所）；Oxford University（牛津大学）；University of Minnesota（明尼苏达大学）；University of Nottingham（诺丁汉大学）
日常个人对重大研究的贡献已经大大超过了19世纪早期的经典观鸟和业余爱好者的努力。现在，对科学感兴趣的人可以直接参与涵盖不同科学领域的研究。在天文学方面，志愿人员，无论是作为个人还是作为人的网络，都参与了各种类型的研究。公民科学是直觉的，引人入胜的，但在采用科学原则和方法时必须是稳健的。在这里，我们讨论公民科学，重点是充分参与的项目，如Zooniverse（由几个作者CL，AS，LF，SB），并提到其他计划。特别是，我们的情况下，公民科学（CS）可以是一个重要方面的科学数据分析管道提供给科学家的天文台。
2012-02-12 astro-ph.IM cs.AI
Ideas for Citizen Science in Astronomy
我们回顾了相对较新的，互联网使能的，快速发展的公民科学领域，重点是恒星，银河系外和太阳系天文学的研究项目，受益于公众的参与，往往是大量的。我们发现这些志愿者以各种方式为天文学做出贡献：制作和分析新的观测结果，对图像和光变曲线中的特征进行视觉分类，探索受天文数据集约束的模型，以及发起新的科学调查。最富有成效的公民天文学项目涉及专业人士和业余爱好者之间的密切合作，并占据了不容易被伟大的天文台或机器学习方法填补的科学利基：公民天文学家最强烈的动机是为科学服务。在未来几年，我们预计公民天文学的参与和生产力将增加，因为调查数据集变得更大，公民科学平台变得更有效。机会包括让公众参与更先进的分析，并通过设计专业的用户界面和分析工具，促进公民主导的查询。
2014-09-15 astro-ph.IM
Galaxy Zoo: Cosmic Dawn -- morphological classifications for over 41,000 galaxies in the Euclid Deep Field North from the Hawaii Two-0 Cosmic Dawn survey
The Open University（开放大学）；University of Toronto（多伦多大学）；University of Minnesota（明尼苏达大学）；European Space Agency (ESA)（欧洲航天局）；Haverford College（哈弗福德学院）；Lancaster University（兰卡斯特大学）；University of Oxford（牛津大学）
银河系动物园：宇宙黎明通过公民科学家和深度学习模型对41,000多颗星系进行形态分类，并发现51个新引力透镜。
2026-02-26 astro-ph.GA astro-ph.IM
Combining human and machine learning for morphological analysis of galaxy images
Lawrence Technological University（劳伦斯理工大学）；Middle Tennessee State University（中田纳西州立大学）
数字巡天收集数以百万计的星系图像的重要性日益增加，加强了对强大的方法，可以执行大型星系图像数据库的形态分析的需要。像银河动物园这样的公民科学计划表明，非科学家志愿者可以有效地分析星系图像的大型数据集，但由于机器人望远镜产生的数据库增长速度远远超过任何公民科学家群体的处理能力，很明显，计算机分析是必要的。在这里，我们建议使用公民科学数据来训练机器学习系统，并展示了实验结果，证明机器学习系统可以用公民科学数据来训练。我们的研究结果表明，机器学习的性能取决于数据的质量，可以通过使用公民科学家之间高度一致的样本来提高数据的质量。该方法的源代码是公开的。
2014-09-28 astro-ph.GA astro-ph.IM cs.CV
Gravitational lens modelling in a citizen science context
我们开发了一种方法来实现引力透镜和透镜候选者的协作建模，可供非专业透镜爱好者使用。它使用现有的自由形式的建模程序（玻璃），但使输入到这个代码以一种新颖的方式提供，通过用户生成的图表，基本上是一个到达时间表面的草图。我们报告的实施，这种方法，SpaghettiLens，这已经过测试，在一个建模的挑战，使用29个模拟镜头绘制从一个更大的集创建的空间扭曲公民科学强镜头搜索。我们发现，志愿者从这个在线社区断言的图像奇偶校验和时间顺序一致的一些镜头，但在其他镜头的图像形态的错误。虽然图像奇偶性和时间顺序的错误会导致质量分布的大误差，但发现封闭的质量更稳健：志愿者发现的模型推导的爱因斯坦半径与其中一个专业团队产生的半径一致，这表明如果有适当的工具，引力透镜建模是一种数据分析活动，可以通过众包获得良好的效果。改进的想法进行了讨论，其中包括：（a）克服的趋势，模型是浅比正确的答案在测试情况下，导致系统高估了10%的爱因斯坦半径目前，和（b）详细的圆弧建模。
2015-01-30 astro-ph.CO astro-ph.IM
Citizen ASAS-SN Data Release II: Variable Star Classification Using Citizen Science
本研究为Citizen ASAS-SN公民科学项目的第二批成果，依托Zooniverse平台让用户基于光变曲线分类变星，从9万余候选体中识别出4432颗新变星并统计分类一致率，还对比了已知变星、筛选出特殊变星样本。
2024-08-15 astro-ph.IM astro-ph.SR
Galaxy Zoo: Morphological classification of galaxy images from the Illustris simulation
现代宇宙学模拟以更高的空间和时间分辨率对宇宙进行建模。这些增强允许模拟输出和实际观测数据之间的详细比较。最近的项目，如Illustris，能够产生与当地调查所得图像相当的模拟图像。本文测试如何以及插画实现这一目标，在不同的人口星系使用视觉形态来自银河动物园公民科学家。志愿者提供的模拟星系的形态分类进行比较，从SDSS遗产调查的图像的兼容样本的类似数据。本文研究了人类志愿者要求区分模拟和真实星系图像之间的平滑系统的简单形态特征。差异被确定，这可能是由于有限的分辨率的模拟，但这可能是揭示真正的差异在真实和模型宇宙中的星系种群的动态演化。具体来说，恒星质量$M_{\star}\lesssim10^{11}M_{\odot}$，较大比例的插图星系，表现出盘状形态或可见的子结构，相对于他们的SDSS同行。对更高的质量，模拟和观测星系收敛，并表现出相似的形态分布。这种发散行为表明恒星质量阈值证实了最近的作品使用参数测量的形态从Illustris模拟图像。当$M_{\star}\gtrsim10^{11}M_{\odot}$时，Illustris数据集包含的分类器认为具有明确特征的星系较少。这些结果表明，观测到的星系和模拟星系的详细性质之间的比较，即使局限于合理的大质量系统，可能会产生误导。
2018-01-25 astro-ph.CO astro-ph.GA astro-ph.IM
Galaxy Zoo Supernovae
本文介绍了一个新的公民科学项目：银河动物园超新星的第一个结果。这个概念验证项目利用公众成员从最新一代的宽视场成像瞬态调查中识别超新星候选者。我们描述了银河动物园超新星的操作和评分模型，并证明了这种新方法的有效性，使用成像数据和瞬变从帕洛玛瞬态工厂（PTF）。我们研究了2010年4月至7月期间收集的结果，在此期间，PTF的近14，000颗超新星候选者在数据收集后的几个小时内被2，500多人分类。我们将公民科学家选择的瞬变与经验丰富的PTF扫描仪识别的瞬变进行了比较，并发现协议是显着的- Galaxy Zoo Supernovae对PTF扫描仪进行了验证，并将PTF在试验期间定位的~130个光谱确认的SNe中的93%确定为瞬变（没有假阳性识别）。进一步的分析表明，只有一小部分信噪比最低的超新星探测（r > 19.5）得到了较低的分数：银河动物园超新星正确地识别了PTF成像数据中所有信噪比> 8σ的超新星探测。银河动物园超新星项目直接适用于未来的瞬态搜索，如大型综合巡天望远镜，通过快速识别候选瞬态事件，并通过训练和改进现有的机器分类算法。
2010-11-15 astro-ph.CO astro-ph.IM
$\textit{Kilonova Seekers}$: the GOTO project for real-time citizen science in time-domain astrophysics
本文介绍了GOTO项目下的$\ extit{Kilonova Seekers}$公民科学项目，通过志愿者近实时分类寻找瞬变现象，在O4a期间获超60万次分类与20项发现，生成“黄金标准”训练集并评估了志愿者表现，为下一代分类算法奠定基础。
2024-07-24 astro-ph.HE astro-ph.IM
Citizen Astronomy in China: Present and Future
公民科学是指由非专业科学家（如业余爱好者或普通公众）进行或参与的科学研究。公民天文学是公民科学的一个典型例子。近几十年来，公民天文学家从技术进步中受益，因为他们填补了专业天文学家在时域观测，视觉分类和数据挖掘等领域留下的科学空白。中国的天文学家在新天体的发现方面做出了显著的贡献，但与西方同行相比，他们似乎对不涉及新发现的研究不太感兴趣，如视觉分类，长期监测天体和数据挖掘。通过对我国公民天文爱好者的问卷调查，发现我国公民天文爱好者以男性（$92\%$）为主，且大多居住在经济发达的省份。很大一部分（$69\%$）受访者是学生和25岁以下的年轻专业人士，这与典型中国互联网用户的职业和年龄分布以及银河动物园等大型国际公民科学项目的用户分布存在显著差异。这表明中国青年一代比一般一代更愿意参与公民天文学研究。此外，我们发现，对天文学的兴趣，学习新知识的愿望，有一个有趣的经验，并在社会上结识新朋友都是中国公民天文学家参与研究的重要驱动因素。这也与西方国家的同行不同。(full PDF格式的摘要）
2017-11-06 astro-ph.IM
CzSL: Learning from citizen science, experts and unlabelled data in astronomical image classification
针对公民科学天文图像标注质量不足、现有方法未充分利用专家标注与未标注数据的问题，提出CzSL方法，结合卷积自编码器与CNN的预训练微调，在Galaxy Zoo数据集上提升了分类性能。
2023-10-04 astro-ph.GA astro-ph.IM eess.IV
Disk Detective: Discovery of New Circumstellar Disk Candidates through Citizen Science
磁盘侦探公民科学项目旨在利用美国宇航局WISE任务的数据，从星周尘埃中发现22微米过量发射的新恒星。AllWISE星表的初始削减提供了277，686个源的输入星表。然后志愿者们在线观看10个不同波段的每一个来源的图像，以识别假阳性（星系、背景恒星、星际介质、图像伪影等）。在这次在线审查中幸存下来的来源将在FLWO Tillinghast望远镜上进行光谱学跟踪。这种方法应该允许我们释放WISE的全部潜力，以寻找新的碎片盘和原行星盘。我们宣布了该项目发现的37个新磁盘候选者的第一份名单，我们描述了我们的审查和后续过程。其中一个系统似乎包含第一个在具有白矮星伴星的恒星周围发现的碎片盘：HD 74389。我们还报告了四个新发现的经典Be星（HD 6612，HD 7406，HD 164137和HD 218546）和一个新的检测到的22微米的过剩周围以前已知的碎片盘主星，HD 22128。
2016-07-19 astro-ph.EP astro-ph.IM astro-ph.SR
Radio Galaxy Zoo: Compact and extended radio source classification with deep learning
在过去的几年里，机器学习技术在天文学应用中越来越有用，例如在星系的形态分类中。卷积神经网络已被证明在对图像数据中的对象进行分类方面非常有效。目前的工作旨在确定在射电源综合成像观测的天文学背景下，何时存在多个组成部分。为此，我们设计了一个卷积神经网络，使用来自Radio Galaxy Zoo（RGZ）公民科学项目的来源来区分不同的形态类别。在第一步中，我们专注于探索影响此类神经网络性能的因素，例如训练数据量，层数和性质以及超参数。我们从一个简单的实验开始，我们只区分两个极端的形态，使用紧凑和多组件扩展源。我们发现，三卷积层架构产生了非常好的结果，在测试数据集上实现了97.4%的分类准确率。然后在一个四类问题上测试了相同的架构，我们让网络将源分类为紧凑型和三类扩展源，测试准确率达到93.5%。性能最佳的卷积神经网络设置已在RGZ Data Release 1中进行了验证，其中使用原始图像和增强图像获得了94.8%的最终测试准确度。使用sigma裁剪总体上并没有提供显著的好处，除了在训练图像数量较少的情况下。
2018-01-15 astro-ph.IM
The Classification of Optical Galaxy Morphology Using Unsupervised Learning Techniques
University of the Western Cape（西开普大学）
近年来，大规模的数据密集型天文调查已经产生了比科学家手动分类更详细的图像。现代调查产生的大量数据很快就会超过这项工作的众包尝试。这使人们对基于人类的星系形态分类方法的可行性产生了疑问。虽然监督学习方法需要具有现有标签的数据集，但无监督学习技术不需要。因此，本文实现了无监督学习技术来分类银河动物园DECaLS数据集。训练并实现了卷积自动编码器特征提取器。然后通过k-均值，模糊c-均值和凝聚聚类的功能进行聚类。这些集群与银河动物园DECaLS项目提供的真实志愿者分类进行了比较。最好的结果，一般来说，产生的凝聚聚类方法。然而，考虑到聚类时间的增加，与k-means聚类相比，性能的提高并不显著。在经过适当的聚类算法优化后，这种方法可以证明对分类性能更好的问题是有用的，并且可以作为一种新方法的基础，从无监督技术中生成更“人性化”的星系形态分类。
2022-09-11 astro-ph.GA astro-ph.IM cs.LG
Using Dark Energy Explorers and Machine Learning to Enhance the Hobby-Eberly Telescope Dark Energy Experiment
本文介绍公民科学项目“暗能量探索者”结合无监督机器学习，通过人工分类提升HETDEX实验中LAEs识别准确度，预计将z=2.4处宇宙学参数精度提高10%-30%。
2023-04-14 astro-ph.CO astro-ph.GA astro-ph.IM
Gravity Spy: Integrating Advanced LIGO Detector Characterization, Machine Learning, and Citizen Science
随着对引力波的第一次直接探测，高级激光干涉引力波天文台（LIGO）通过提供另一种感知宇宙的方法开创了天文学的新领域。进行这种探测所需的极高灵敏度是通过将LIGO的所有敏感组件与非引力波干扰精确隔离来实现的。尽管如此，LIGO仍然容易受到各种仪器和环境噪声源的影响，这些噪声污染了数据。特别值得关注的是被称为毛刺的噪声特征，其本质上是瞬态和非高斯的，并且以足够高的速率发生，使得两个LIGO探测器之间的偶然巧合不可忽略。在本文中，我们描述了一个创新项目，该项目将众包与机器学习相结合，以帮助完成对LIGO探测器记录的所有故障进行分类的挑战性任务。通过Zooniverse平台，我们从公众中招募志愿者，将故障图像分类为预先确定的形态类别，并发现随着检测器的发展而出现的新类别。此外，机器学习算法用于在对形态学类的人类分类示例进行训练后对图像进行分类。利用这两种分类方法的优势，我们创建了一种组合方法，旨在提高每个分类器的效率和准确性。由此产生的分类和表征应该有助于LIGO科学家确定故障的原因，并随后从数据或探测器中完全消除它们，从而提高引力波观测的速度和准确性。我们使用LIGO第一次观测运行的一小部分数据来演示这些方法。
2017-02-28 astro-ph.HE astro-ph.IM gr-qc
From Galaxy Zoo DECaLS to BASS/MzLS: detailed galaxy morphology classification with unsupervised domain adaption
Shanghai Astronomical Observatory, Chinese Academy of Sciences（中国科学院上海天文台）；School of Astronomy and Space Science, University of Chinese Academy of Sciences（中国科学院大学天文与空间科学学院）；Shanghai Key Lab for Astrophysics, Shanghai Normal University（上海师范大学上海市天体物理重点实验室）；Centre for Astrophysics Research, University of Hertfordshire（赫特福德大学天体物理研究中心）
针对DECaLS与BASS/MzLS图像分布不匹配问题，本研究采用无监督域适配方法微调源域模型，显著提升了BMz巡天中星系形态分类的准确性，并发布了248,088个星系的详细形态分类星表。
2024-12-20 astro-ph.GA astro-ph.IM cs.CV
Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images
Vishwakarma Institute of Information Technology（维施瓦卡尔马信息技术学院）
近几十年来，诸如斯隆数字巡天（SDSS）的大规模巡天已经产生了大量的数据。天文学家对如此庞大的数据进行分类是非常耗时的。为了简化这一过程，2007年推出了一个名为“银河动物园”的志愿者公民科学项目，大大缩短了分类时间。然而，在这个深度学习的现代时代，自动化这个分类任务是非常有益的，因为它减少了分类的时间。在过去的几年里，已经提出了许多算法，这些算法恰好在将星系分类为多个类别方面做了惊人的工作。但所有这些算法都倾向于将星系分为少于六类。然而，考虑到我们所知道的关于星系的微小信息，有必要将星系分为八类以上。在这项研究中，提出了一个神经网络模型，以便从一个扩展的哈勃音叉SDSS数据分类为10类。对盘缘星系和盘面星系给予了很大的关注，区分了与每个类相关的各种子结构和微小特征。该模型由卷积层组成，用于提取特征，使该方法完全自动化。所实现的测试准确率为84.73%，考虑到课堂上的这些微小细节，这是很有希望的。除了卷积层之外，该模型还有三个负责分类的层，这使得算法消耗更少的时间。
2022-11-01 astro-ph.GA astro-ph.IM cs.CV
