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
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
Citizen ASAS-SN: Citizen Science with The All-Sky Automated Survey for SuperNovae (ASAS-SN)
我们介绍“公民ASAS-SN”，这是一个在Zooniverse平台上托管的公民科学项目，该项目利用了来自超新星全天空自动调查（ASAS-SN）的数据。向志愿者提供变星候选者的ASAS-SN $g$波段光变曲线。分类工作流程允许志愿者将这些来源分类为主要变星组，同时还允许识别独特的变星以进行额外的后续工作。
2021-03-02 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
When Scientists Become Social Scientists: How Citizen Science Projects Learn About Volunteers
在线公民科学项目包括招募志愿者，协助研究人员创建、管理和分析大型数据集。提高这些数据产品的质量是运行公民科学项目的团队的基本关注点。关于项目设计和运作的决定对项目是否招募和留住足够的志愿人员以及志愿人员工作的质量都有着关键影响。运行项目的团队了解他们的志愿者的过程在这些决策中起着关键作用。改进这些过程将加强决策，从而产生更高质量的数据集，并为公民科学项目带来更成功的成果。本文提出了一个定性的案例研究，涉及采访和长期观察，团队运行银河动物园，天文学的一个主要的公民科学项目，来了解他们的志愿者，以及这些知识如何塑造他们的决策过程。本文介绍了三个在塑造银河动物园团队成员对志愿者的理解方面发挥重要作用的例子。团队成员整合了不同的信息来源，以获得对志愿者的新见解。项目指标和对志愿者的正式研究，结合通过与志愿者的线上和线下互动获得的默契。本文提出了一些实践建议。这些建议包括改善公民科学项目团队成员如何了解志愿者的策略，以及团队如何更有效地在他们之间传播他们所学到的东西。
2018-02-01 astro-ph.GA astro-ph.IM cs.CY
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
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
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
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
Managing the Public to Manage Data: Citizen Science and Astronomy
公民科学项目招募公众成员作为志愿者来处理和制作数据集。这些数据集必须赢得科学界的信任。确保可信度的任务部分涉及应用标准科学程序来清理这些数据集。然而，有效管理志愿者行为也对提高数据质量作出了重大贡献。通过银河动物园的案例研究，一个公民科学项目，建立了星系形态的志愿者分类的基础上生成的数据集，本文探讨了参与运行该项目的管理志愿者。本文重点讨论了志愿人员贡献的计入方法如何激励志愿人员提供更高质量的贡献，并在将志愿人员贡献合并到数据集中时，以更好地符合统计假设的方式行事。这些方法为该项目的成功做出了重大贡献，确保了对这些数据集的信任，这些数据集已被其他科学家很好地使用。实践的影响，然后提出了公民科学项目，提供了一个考虑因素，以指导选择如何信贷志愿者的贡献，以提高质量和可信度的公民科学产生的数据集。
2017-02-28 astro-ph.IM cs.HC
Radio Galaxy Zoo: Knowledge Transfer Using Rotationally Invariant Self-Organising Maps
随着大规模调查的出现，由于现有的方法不能按比例缩放，因此对单个射电源形态的手动分析和分类变得不可能。空间域中复杂形态特征的分析是一项特别重要的任务。在这里，我们讨论了转移从Radio Galaxy Zoo项目获得的众包标签的挑战，并通过分位数随机森林回归引入了适当的转移机制。通过使用并行旋转和翻转不变Kohonen映射，无线电星系动物园的图像立方体选择的星系形成的第一个无线电连续谱和WISE红外全天巡天，首先投影到一个二维嵌入在一个无监督的方式。这种嵌入可以被看作是一个离散化的形状空间，其坐标反映了由自动导出的原型所表达的形态特征。我们发现，这些原型在无线电和红外波长的两个通道图像中以无监督的方式重建了物理上有意义的过程。在第二步中，将图像与这些原型进行比较以创建热图，热图是每个对象的形态指纹，也是传输用户生成标签的基础。这些热图将特征空间减少了248倍，并且能够用作后续ML方法的基础。使用决策树的集成，我们在使用这些热图预测图像中的分量和峰值数量时，分别实现了85.7%和80.7%的准确率。我们还质疑目前使用的离散分类方案，并引入一个连续的规模，更好地反映了两个类之间的过渡，所造成的灵敏度和分辨率限制的不确定性。
2019-04-05 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
Radio Galaxy Zoo: Morphological classification by Fanaroff-Riley designation using self-supervised pre-training
University of Manchester（曼彻斯特大学）；Alan Turing Institute（艾伦·图灵研究所）；University of Oxford（牛津大学）；Macquarie University（麦考瑞大学）；University of Tasmania（塔斯马尼亚大学）；CSIRO Space & Astronomy（澳大利亚联邦科学与工业研究组织空间与天文部）；ICRAR, University of Western Australia（西澳大利亚大学星际计算与实时系统研究中心）
本文通过自我监督预训练模型对射电星系进行形态分类，发现形态分类与亮度-大小分布重叠区域的置信度较低，并探讨了预训练和微调数据对模型性能的影响。
2025-09-15 astro-ph.GA astro-ph.IM
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
Muon Hunter: a Zooniverse project
现代天体粒子实验的原始数据所固有的大数据集和低信噪比要求越来越复杂的事件分类技术。机器学习算法（如神经网络）有可能优于传统的分析方法，但面临的主要挑战是从真实数据中识别可靠分类的训练样本。公民科学代表了一种有效的方法来有效地对大型数据集进行排序，并应对这一挑战。Muon Hunter是Zooniverse平台上的一个项目，志愿者通过VERITAS相机的数据图片来识别μ子环图像。每个图像被分类多次以产生用于训练和验证卷积神经网络模型的“干净”数据集，该卷积神经网络模型既能够拒绝背景事件又能够识别合适的校准数据以监测望远镜性能作为时间的函数。
2018-02-24 astro-ph.HE astro-ph.IM physics.data-an
Modeling with the Crowd: Optimizing the Human-Machine Partnership with Zooniverse
LSST和Euclid必须解决分析这些下一代仪器将产生的前所未有的成像和光谱数据量的艰巨挑战。克服这一挑战的一种有希望的方法是使用经过适当训练的深度学习（DL）算法进行快速、自动的图像处理。然而，DL的可靠应用需要大量准确标记的训练数据样本。Galaxy Zoo Express（GZX）是最近的一项实验，它模拟使用贝叶斯推断来动态聚合公民科学家通过Zooniverse众包平台实时提供的二进制响应。GZX方法使人类和机器分类器之间的协作成为可能，并提供快速生成的、可靠标记的数据集，从而实现准确的机器分类器的在线训练。我们目前选定的结果GZX和贝叶斯聚合引擎，它使用的可以扩展到有效地提供对象定位和边界框注释的二维数据与量化的可靠性。使用这些注释训练的DL算法将促进许多全色数据建模任务，包括直接成像中的形态分类和子结构检测，以及用于无狭缝光谱的去污和发射线识别。如果要实现即将进行的大规模调查的潜力，就必须有效地将现代计算分析的速度与人类从少数例子中推断的能力结合起来。
2019-03-19 astro-ph.GA astro-ph.IM
Revisiting the Hubble sequence in the SDSS DR7 spectroscopic sample: a publicly available bayesian automated classification
我们提出了一个自动形态分类的4种类型（E，S 0，Sab，Scd）的~700.000星系SDSS DR 7光谱样本的基础上支持向量机。分类的主要新属性是，我们将每个星系关联到四个形态类中的概率，而不是分配一个单一的类。因此，分类更好地适应自然，我们期望不同形态类型之间的连续过渡。该算法使用视觉分类进行训练，然后与几个独立的视觉分类进行比较，包括Galaxy Zoo首次发布的目录。我们发现自动分类和经典的视觉之间有很好的相关性。编译的目录旨在用于不同的应用程序，可以在http://gepicom04.obspm.fr/sdss_morphology/Morphology_2010.html下载，很快就可以从CasJobs数据库下载。
2010-10-29 astro-ph.CO 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
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
Multiwavelength classification of X-ray selected galaxy cluster candidates using convolutional neural networks
星系团在XMM-牛顿图像中表现为扩展源，但并非所有扩展源都是星系团。因此，它们的正确分类需要使用光学图像进行目视检查，这是一个缓慢的过程，几乎不可能建模。我们用一种新的方法来解决这个问题，使用卷积神经网络（CNN），一种最先进的图像分类工具，对星系团候选者进行自动分类。我们训练网络上结合XMM牛顿X射线观测与他们的光学同行从全天空数字化巡天。我们的数据集来自X-CLASS调查样本的星系团的候选人，选择了一个专门开发的管道，XAmin，专为扩展源检测和表征。我们的数据集包含了1707个由专家分类的星系团候选者。此外，我们创建了一个官方的Zooniverse公民科学项目，寻找星系团，以探索公民志愿者是否可以帮助完成一项具有挑战性的星系团视觉确认任务。该项目包含1600个星系团候选者，其中404个与专家的样本重叠。这些网络分别在专家和Zooniverse数据上进行训练。CNN测试样本包含85个光谱确认的簇和85个出现在两个数据集中的非簇。我们的自定义网络在聚类和非聚类的二进制分类中取得了最佳性能，在10次运行后平均获得了90%的准确率。使用CNN对组合X射线和光学数据进行星系团候选分类的结果是令人鼓舞的，未来的使用和改进有很大的潜力。
2020-08-02 astro-ph.CO astro-ph.HE astro-ph.IM
Automatic morphological classification of galaxy images
我们描述了一个图像分析监督学习算法，可以自动分类星系图像。该算法首先使用手动分类的椭圆形，螺旋形和边缘上的星系的图像进行训练。从每个图像中提取大量的图像特征，并使用Fisher评分选择信息量最大的特征。然后，可以使用简单的加权最近邻规则对测试图像进行分类，从而将Fisher分数用作特征权重。实验结果表明，星系动物园的星系图像可以自动分类为螺旋，椭圆和边缘上的星系，与作者进行的分类相比，准确率约为90%。该算法的完整可编译源代码可供免费下载，其通用性使其适用于涉及天体自动图像分析的其他用途。
2009-08-26 astro-ph.GA 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
Photometric Redshift Analysis using Supervised Learning Algorithms and Deep Learning
我们提出了一个星系光度红移的斯隆数字巡天（SDSS）数据发布12目录。我们使用各种监督学习算法来计算红移光谱训练集上使用光度属性。本文分析了两个训练集。第一个训练集由995，498个红移高达$z \approx 0.8$的星系组成。在第一个训练集上，我们使用XGBoost算法实现了0.00501的成本函数和0.0707的均方根误差值。我们实现了2.1%的异常值率，并且86.81%、95.83%、97.90%的数据点分别位于平均值的一个、两个和三个标准差之内。第二个训练集由163，140个红移高达$z\approx0.2$的星系组成，并与Galaxy Zoo 2完整目录合并。我们还在卷积神经网络上进行了实验，以预测五种形态特征（平滑，特征/磁盘，星形，边缘，螺旋）。我们实现了0.117的均方根误差时，对一个看不见的数据集超过200个历元验证。来自银河动物园的形态特征，用光度特征训练，发现能不断提高光度红移的准确性。
2019-01-22 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
Intrinsic Dimension Estimation for Radio Galaxy Zoo using Diffusion Models
Department of Computer Science（计算机科学系）；The University of Manchester（曼彻斯特大学）；Department of Physics and Astronomy（物理与天文学系）；The Alan Turing Institute（艾伦·图灵研究所）
该研究采用基于分数的扩散模型估计RGZ数据集的内在维度，分析其与BNN能量分数、FR形态类别、信噪比的关联，相关结论可支撑后续自监督表征优化研究。
2025-11-14 astro-ph.IM cs.AI cs.LG
Galaxy morphological classification in deep-wide surveys via unsupervised machine learning
星系形态是一个基本量，它不仅对星系演化的全方位研究至关重要，而且对观测宇宙学的大量科学研究也至关重要。虽然存在丰富的文献形态分类技术，前所未有的数据量，再加上，在某些情况下，与即将到来的“大数据”调查（例如从LSST）的短节奏，这一领域提出了新的挑战。大数据量使得这样的数据集难以进行视觉检查（即使是通过像Galaxy Zoo这样的分布式平台），而短节奏使得难以采用监督机器学习等技术，因为在短时间内重复生成训练集可能是不切实际的。无监督机器学习不需要训练集，非常适合对新的和即将到来的调查进行形态分析。在这里，我们采用了一种算法，执行聚类的图形表示，以组图像补丁具有相似的视觉特性和对象从这些补丁，如星系。我们在Hyper-Suprime-Cam Subaru-Strategic-Program Ultra-Deep调查中实现了该算法，以自主地将星系群减少到少量（160个）“形态集群”，由具有相似形态的星系填充，然后使用目视检查进行基准测试。形态分类（我们公开发布）表现出高水平的纯度，并再现了已知的关键星系特性的趋势，作为z<1的形态类型的函数（例如恒星质量函数，静止框架颜色和星系在恒星形成主序列上的位置）。我们的研究展示了无监督机器学习在执行精确形态分析方面的力量，这将在这个深度调查的新时代变得不可或缺。
2019-10-23 astro-ph.GA astro-ph.IM
SeeingGAN: Galactic image deblurring with deep learning for better morphological classification of galaxies
星系形态分类是星系天文学中的一项重要任务，识别星系的精细结构（例如，旋臂、杆和团块）是这种分类任务中的基本成分。然而，视觉效应会导致我们获得的图像看起来模糊，这使得天文学家很难推导出星系的物理特性，特别是遥远星系。在这里，我们提出了一种方法，通过机器学习将地面斯巴鲁望远镜获得的模糊图像转换为准哈勃太空望远镜（HST）图像。使用一种称为生成对抗网络（GANs）的现有深度学习方法，我们可以消除视觉效应，有效地产生与HST拍摄的图像相似的图像。使用多个斯巴鲁望远镜图像和HST望远镜图像对，我们证明了我们的模型可以增强模糊图像中存在的精细结构，以帮助更好，更精确的星系分类。使用我们首个基于机器学习的空间图像去模糊技术，当将Subaru-HST对与SeeingGAN-HST对进行比较时，我们可以在CW-SSIM（复小波结构相似性指数）评分方面获得高达18%的改进。有了这个模型，我们可以从能力相对较弱的望远镜中生成类似HST的图像，使更广泛的天文学界更容易进行太空探索。此外，该模型不仅可用于专业的星系形态分类研究，而且可用于所有的星系分类公民科学。
2021-03-28 astro-ph.IM eess.IV
Deep Learning Segmentation of Spiral Arms and Bars for 600,000 Galaxies in DESI
University of Hertfordshire（赫特福德大学）；Dunlap Institute for Astronomy and Astrophysics, University of Toronto（多伦多大学邓普天体物理研究所）；Jodrell Bank Centre for Astrophysics, Department of Physics & Astronomy, University of Manchester（曼彻斯特大学物理与天文系乔德雷克天体物理学中心）；Department of Physics and Astronomy, Haverford College（哈弗福德学院物理与天文系）；Masaryk University（马萨里克大学）；Lancaster University（兰卡斯特大学）；The Open University（开放大学）
利用U-net神经网络从DESI Legacy Survey中分割出639,636个星系的旋臂和棒状结构，基于Galaxy Zoo: 3D的像素掩模训练，并展示了模型对环状结构的识别能力。
2026-06-16 astro-ph.GA astro-ph.IM
AstroVaDEr: Astronomical Variational Deep Embedder for Unsupervised Morphological Classification of Galaxies and Synthetic Image Generation
我们提出了AstroVaDEr，变分自动编码器，旨在执行无监督聚类和合成图像生成使用天文成像目录。该模型是一个卷积神经网络，它学习将图像嵌入到低维潜在空间中，同时优化嵌入向量上的高斯混合模型（GMM）以聚类训练数据。通过利用变分推理，我们能够使用学习的GMM作为潜在空间的统计先验，以促进随机采样和合成图像的生成。我们展示了AstroVaDEr的能力，通过训练它的灰度\textit{gri}图像从斯隆数字巡天，使用的样本是由银河动物园2分类的星系。一个无监督的聚类模型，发现分离星系的基础上学习的形态特征，如轴比，表面亮度分布，方向和同伴的存在。我们使用学习的混合模型来生成基于高斯分量的形态轮廓的星系的合成图像。AstroVaDEr成功地从未标记的数据中产生了一个形态分类方案，但出乎意料地高度重视同伴物体的存在-证明了人类解释的重要性。该网络具有可扩展性和灵活性，允许对更大的数据集或不同类型的成像数据进行分类。我们还展示了该模型的生成特性，它允许从学习的分类方案中采样真实的星系合成图像。这些可用于创建合成图像目录或执行图像处理任务，例如去混合。
2020-11-20 astro-ph.GA astro-ph.IM
Morphological classification of compact and extended radio galaxies using convolutional neural networks and data augmentation techniques
Technical University of Košice（科希策技术大学）；South African Radio Astronomy Observatory（南非射电天文台）
机器学习技术越来越多地用于天文应用，并已被证明可以成功地对图像数据中的对象进行高准确度分类。目前的工作使用档案数据从无线电天空的微弱图像在二十厘米（FIRST）分类射电星系分为四类：Fanaroff-Riley类I（FRI），Fanaroff-Riley类II（FRII），弯曲尾巴（BENT），和紧凑（COMPT）。本文提出的模型基于卷积神经网络（CNN）。所提出的架构包括三个并行块的卷积层组合和处理的最终分类由两个前馈层。我们的模型在一个独立的测试子集上对选定的射电星系源进行分类，平均精度为96%，召回率和F1得分。最佳选择的增强技术是旋转、水平或垂直翻转以及增加亮度。平移、缩放和亮度降低使模型的性能恶化。目前的研究结果表明，该模型能够识别不同形态的射电星系，具有较高的效率和性能
2021-07-01 astro-ph.GA astro-ph.IM cs.LG
Morphological classification of galaxies with deep learning: comparing 3-way and 4-way CNNs
对星系的形态进行分类是理解其物理性质和演化历史的重要一步。大规模调查的出现加速了发展自动形态分类技术的需要。我们训练和测试几个卷积神经网络架构分类星系的形态在3类（椭圆形，透镜状，螺旋形）和4类（+不规则/杂项）计划与14034视觉分类SDSS图像的数据集。我们开发了一种新的CNN架构，在3向和4向分类方面都优于现有模型，总体分类准确率分别为83%和81%。我们还比较了所有四个类别之间的双向/二元分类的准确性，表明椭圆形和螺旋形最容易区分（>98%的准确性），而螺旋形和不规则形最难区分（78%的准确性）。通过对所有分类样本的分析，我们发现初步证据表明，错误的分类是有物理意义的，在其他趋势中，被错误分类为椭圆星系的望远镜往往更大。我们进一步结合我们的二进制CNN分类器来执行样本的分层分类，获得与直接3类CNN相当的准确度（81%），但在4路情况下（65%）的准确度要差得多。作为额外的验证，我们将我们的网络应用于Galaxy Zoo图像的小样本，分别获得了92%，82%和77%的二进制，3路和4路分类的准确率。
2021-06-03 astro-ph.GA astro-ph.IM
Optimising Automatic Morphological Classification of Galaxies with Machine Learning and Deep Learning using Dark Energy Survey Imaging
有几种监督机器学习方法用于星系自动形态分类的应用;然而，还没有一个明确的比较这些不同的方法使用成像数据，或调查，以最大限度地提高其有效性。我们通过使用暗能量调查（DES）数据结合星系动物园1号项目（GZ 1）的视觉分类，对几种常见的星系分类机器学习方法（卷积神经网络（CNN），K-最近邻，逻辑回归，支持向量机，随机森林和神经网络）进行了比较。我们的目标是确定使用成像数据进行星系分类时的最佳机器学习方法。我们的研究表明，CNN是这十种方法中最成功的方法。使用$\sim$ 2，800个星系的样本与视觉分类从GZ 1，我们达到$\sim$ 0.99的椭圆和螺旋的形态分类的精度。对具有不同ML和视觉分类但在我们的CNN中具有高预测概率的星系的进一步研究通常会揭示GZ 1提供的不正确分类。我们进一步发现，螺旋星系或椭圆星系的概率较低的星系是视觉上的透镜状星系（S 0），这表明监督学习能够重新发现这类星系与Es和螺旋星系不同。我们证实了$\sim$ 2.5星系是GZ 1错误分类的星系。在校正这些星系的标签后，我们将CNN的性能提高到平均精度超过0.99（0.994的精度是我们的最佳结果）。
2020-02-20 astro-ph.GA astro-ph.IM
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
Morfometryka -- A New Way of Establishing Morphological Classification of Galaxies
我们提出了一个扩展的形态测量系统，自动分类星系的天文图像。新系统包括CASGM系数（浓度$C_1$、不对称性$A_3$和平滑度$S_3$）的原始版本和修改版本，以及新参数熵、$H$和螺旋度$σ_ψ$。新参数$A_3$、$S_3$和$H$分别比$A_1$、$S_1$和$G$更能区分星系的类别。新参数$σ_ψ$捕获图像上的非径向图案的量，并且几乎线性地依赖于T型。使用样本的螺旋和椭圆星系星系从银河动物园项目作为训练集，我们采用了线性判别分析（LDA）技术进行分类Baillard等人。(2011，4478个星系），Nair \& Abraham（2010，14123个星系）和SDSS Legacy（779，235个星系）样本。交叉验证测试表明，我们可以达到90%以上的准确率与我们的分类方案。因此，我们能够在形态参数空间中定义一个平面，该平面将椭圆类和螺旋类分开，类之间的失配小于10%。我们使用这个平面的距离作为一个形态指标（M $_{\rm i}$），我们表明，它遵循人类的T型指数非常密切。我们计算了SDSS Legacy Survey -DR 7中$\sim$ 780 k星系的形态指数M $_{\rm i}$。我们讨论如何M $_{\rm i}$与恒星的人口参数使用SDSS-DR 7光谱。
2015-09-17 astro-ph.GA astro-ph.IM
An automatic taxonomy of galaxy morphology using unsupervised machine learning
我们提出了一种无监督的机器学习技术，自动分割和标记的星系在天文成像调查仅使用像素数据。与以前天文学中使用的无监督机器学习方法不同，我们不使用预先选择或预先过滤目标星系类型来识别相似的星系。我们展示了HST前沿领域的技术。通过使用来自一个领域（Abell 2744）的星系训练算法并将结果应用于另一个领域（MACS 0416.1 -2403），我们展示了该算法如何在没有任何形式的“早期”或“晚期”类型星系的预先指导训练的情况下干净地分离早期和晚期类型星系。然后，我们将该技术应用于HST CANDELS字段，创建一个约60，000个分类的目录。我们展示了如何自动分类组的星系相似的形态（和光度）类型，并通过目录，视觉目录和星系相似性搜索的分类公开。我们比较了CANDELS机器为基础的分类，以人为基础的分类银河动物园：CANDELS项目。虽然Galaxy Zoo和我们的分层标签之间没有直接映射，但我们证明了人类和机器分类之间的良好一致性。最后，我们将展示如何使用该技术来识别更罕见的对象，并提出新的透镜星系候选人的CANDELS成像。
2017-09-18 astro-ph.CO astro-ph.GA astro-ph.IM
Hubble Asteroid Hunter: I. Identifying asteroid trails in Hubble Space Telescope images
大量公开的天文档案为搜索和研究太阳系天体开辟了新的可能性。然而，需要先进的技术来处理大量的数据。这些无偏差的观测可以用来限制小天体的大小分布，这代表了太阳系形成模型的一块拼图。我们的目标是确定从欧空局哈勃太空望远镜（HST）的科学数据档案馆使用数据挖掘档案图像中的小行星。我们在Zooniverse平台上开发了一个公民科学项目，哈勃小行星猎人（www.asteroidhunter.org），要求公众在档案HST图像中识别小行星轨迹。我们使用志愿者提供的标签来训练一个使用Google Cloud AutoML Vision构建的自动化深度学习模型，以探索整个HST存档，从而检测穿过视场的小行星。我们报告了通过我们的公民科学项目和随后的欧空局HST科学数据档案的机器学习探索在档案HST数据中发现的1701个新的小行星轨迹的检测。我们探测到的小行星星等为24.5等，在统计上比地面调查确定的小行星群要暗。大多数小行星分布在黄道面附近，正如预期的那样，我们发现每平方度大约有80颗小行星。我们将670条踪迹（发现踪迹的39%）与小行星中心数据库中的454个已知太阳系天体相匹配，但是，没有找到1031条（61%）踪迹。这些未被确认的小行星是暗淡的，平均比我们成功确认的小行星暗1.6等。它们很可能与以前未知的物体相对应。这项工作表明，公民科学和机器学习是有用的技术，在现有的天文学科学档案中的SSO的…
2022-05-04 astro-ph.EP astro-ph.IM
Machine and Deep Learning Applied to Galaxy Morphology -- A Comparative Study
形态分类是确定星系样本的关键信息，旨在研究宇宙的大尺度结构。从本质上讲，挑战是建立一个强大的方法来执行一个可靠的星系图像的形态估计。在这里，我们研究如何通过模仿人类分类来大幅提高大型数据集中的星系分类。我们将Galaxy Zoo项目的准确视觉分类与机器和深度学习方法相结合。我们提出了两种不同的星系形态学方法：一种基于非参数形态学和传统机器学习算法;另一种基于深度学习。为了测量传统机器学习方法的输入特征，我们开发了一个名为CyMorph的系统，该系统采用一种新颖的非参数方法来研究星系形态。所采用的主要数据集来自斯隆数字巡天数据第7版（SDSS-DR 7）。我们还讨论了考虑三个类的类不平衡问题。每个模型的性能主要通过总体准确度（OA）来衡量。光谱验证与天体物理参数也提供了决策树模型，以评估我们的形态分类的质量。在我们的所有样本中，深度和传统机器学习方法都有超过94.5%的OA将星系分为两类（椭圆和螺旋）。我们将我们的分类与文献中最先进的形态学分类进行比较。仅考虑两个类的分离，当使用我们的深度学习模型时，我们平均达到99%的整体准确率，当使用三个类时，达到82%。我们提供了一个包含670，560个星系的目录，其中包含我们最好的结果，包括形态指标和分类。
2019-11-01 astro-ph.GA astro-ph.IM
Transfer learning for galaxy feature detection: Finding Giant Star-forming Clumps in low redshift galaxies using Faster R-CNN
本文利用Faster R-CNN目标检测框架，在斯隆数字化巡天真实观测数据上训练模型以定位低红移星系中的巨型恒星形成团块，并证明使用天体物理图像预训练的领域专用骨干网络Zoobot比通用骨干网络检测性能更高且所需训练数据更少。
2024-04-01 astro-ph.GA astro-ph.IM
Crowdsourcing Star-Formation Research and the Power of Participatory Science
本文回顾参与式科学项目对恒星形成研究的贡献，如银河系项目生成气泡目录并发现黄球，MIRION目录大幅增加候选中等质量恒星形成区数量，还提及相关分析方法、学生参与及吸引多元受众的举措。
2025-08-19 astro-ph.GA astro-ph.IM astro-ph.SR
Explainable Galaxy Interaction Prediction with Hybrid Attention Mechanisms
National University of Singapore (NUS)（新加坡国立大学）；RMIT University（皇家墨尔本理工大学）；Indian Institute of Information Technology Dharwad（达尔瓦德印度信息技术学院）；Indian Air Force (IAF)（印度空军）；Masaryk University（马萨里克大学）；NVIDIA（英伟达）；Symbiosis International University（辛格西国际大学）
本文提出结合AG-XCaps、H-SNN和ResNet-GRU的混合注意力机制，通过LIME增强实现可解释的星系相互作用预测，提升了分类精度和可解释性。
2026-01-12 astro-ph.GA astro-ph.IM
Galaxy Morphology Classification: Uncertainty Modeling and Out of Distribution Detection
IIT Hyderabad（印度理工学院海德拉巴分校）
该研究提出结合IsoMaxPlus损失与蒙特卡洛 dropout的ResNet-34框架，提升星系形态分类的分布外检测与不确定性量化，在9类星系上保持97%准确率，校准误差大幅降低，适用于大规模巡天。
2026-08-18 astro-ph.IM
Gravity Spy: Lessons Learned and a Path Forward
Gravity Spy项目结合公民科学与机器学习实现引力波噪声glitch的可靠分类，验证了志愿者在合适支持下可达到专家级新特征识别水平，正推进glitch根源研究。
2024-02-01 astro-ph.IM gr-qc physics.soc-ph
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
