Multi-resolution Filtering: An Empirical Method for Isolating Faint, Extended Emission in Dragonfly Data and Other Low Resolution Images
Notice bibliographique
Résumé
We describe an empirical, self-contained method to isolate faint, large-scale emission in imaging data of low spatial resolution. Multi-resolution filtering (MRF) uses independent data of superior spatial resolution and point source depth to create a model for all compact and high surface brightness objects in the field. This model is convolved with an appropriate kernel and subtracted from the low resolution image. The halos of bright stars are removed in a separate step and artifacts are masked. The resulting image only contains extended emission fainter than a pre-defined surface brightness limit. The method was developed for the Dragonfly Telephoto Array, which produces images that have excellent low surface brightness sensitivity but poor spatial resolution. We demonstrate the MRF technique using Dragonfly images of a satellite of the spiral galaxy M101, the tidal debris surrounding M51, two ultra-diffuse galaxies in the Coma cluster, and the galaxy NGC 5907. As part of the analysis we present a newly-identified very faint galaxy in the filtered Dragonfly image of the M101 field. We also discuss variations of the technique for cases when no low resolution data are available (self-MRF and cross-MRF). The method is implemented in mrf , an open-source MIT licensed Python package ( https://github.com/AstroJacobLi/mrf ).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».