The effect of image quality on galaxy merger identification with deep learning
Notice bibliographique
Résumé
ABSTRACT Studies have shown that the morphologies of galaxies are substantially transformed following coalescence after a merger, but post-mergers are notoriously difficult to identify, especially in imaging that is shallow or low resolution. We train convolutional neural networks (CNNs) to identify simulated post-merger galaxies in a range of image qualities, modelled after five real surveys: the Sloan Digital Sky Survey (SDSS), the Dark Energy Camera Legacy Survey (DECaLS), the Canada–France Imaging Survey (CFIS), the Hyper Suprime-Cam Subaru Strategic Program (HSC-SSP), and the Legacy Survey of Space and Time (LSST). Holding constant all variables other than imaging quality, we present the performance of the CNNs on reserved test set data for each image quality. The success of CNNs on a given data set is found to be sensitive to both imaging depth and resolution. We find that post-merger recovery generally increases with depth, but that limiting 5$\sigma$ point-source depths in excess of $\sim 25$ mag, similar to what is achieved in CFIS, are only marginally beneficial. Finally, we present the results of a cross-survey inference experiment, and find that CNNs trained on a given image quality can sometimes be applied to different imaging data to good effect. The work presented here therefore represents a useful reference for the application of CNNs for merger searches in both current and future imaging surveys.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».