使用YOLO从SDSS图像中检测到边缘低表面亮度星系候选星系

低表面亮度星系（LSBG）是星系群中较暗的成员，被认为是众多的。然而，由于它们的表面亮度低，寻找广域LSBGs样本是困难的，这反过来又限制了我们充分了解星系的形成和演化以及星系关系的能力。边缘LSBG由于其独特的方向，为研究星系结构和星系成分提供了极好的机会。在这项工作中，我们利用You Only Look Once目标检测算法，通过在斯隆数字巡天（SDSS）中训练281个边缘LSBG来构建边缘LSBG检测模型gri-波段合成图像。该模型在测试集上的召回率为94.64%，纯度为95.38%。我们搜索了 938,046gri来自 SDSS 数据发布 16 的波段图像，发现了 52,293 个候选 LSBG。为了提高候选LSBG的纯度并减少污染，我们采用了深度支持向量数据描述算法来识别候选样品中的异常。最终，我们编制了一个包含 40,759 个边缘 LSBG 候选药物的目录。该样本与训练数据集具有相似的特征，主要由蓝色边缘的 LSBG 候选者组成。该目录可通过此 https URL 在线获取。 ### 使用YOLO从SDSS图像中检测边缘低表面亮度星系候选星系 #### 概述 低表面亮度星系（Low-Surface-Brightness Galaxies, LSBGs）是一类星系，它们的亮度远低于典型星系。这些星系虽然在数量上可能占据着重要的比例，但由于它们较低的表面亮度，长期以来一直难以被发现和研究。因此，它们的存在对理解宇宙中星系的形成、演化以及星系间的关系构成了挑战。 #### 目标检测算法：YOLO You Only Look Once (YOLO) 是一种流行的目标检测算法，它能够一次性处理整个图像，并预测出物体的位置和类别。相比其他逐个窗口检测的方法，YOLO 提供了一种更高效、更准确的方式来识别图像中的对象。在本文中，作者们利用了 YOLO 算法来开发一个专门用于检测边缘低表面亮度星系的模型。 #### 训练数据集 为了训练这个特定的检测模型，研究人员选择了 281 个边缘低表面亮度星系作为训练样本。这些样本是从斯隆数字巡天项目（Sloan Digital Sky Survey, SDSS）的数据集中选取的，使用的是 SDSS 的 gri 波段合成图像。这些图像包含了不同波长范围内的光谱信息，有助于更好地识别和区分不同的星系类型。 #### 模型性能评估 训练完成后的模型在测试集上展现出了良好的性能。模型的召回率达到了 94.64%，这意味着它能成功地检测出绝大多数真正的边缘低表面亮度星系。同时，模型的纯度为 95.38%，这意味着它所检测出的星系中有超过 95% 实际上确实是边缘低表面亮度星系，而非误报。 #### 大规模数据搜索 研究人员利用训练好的模型，在 SDSS 数据发布 16 中搜索了总共 938,046 张 gri 波段图像。通过这种方法，他们发现了 52,293 个潜在的边缘低表面亮度星系候选者。为了进一步提高候选者的纯度并减少误报，他们采用了一种名为深度支持向量数据描述（Deep Support Vector Data Description, DSVD）的算法来识别异常值。 #### 最终结果 经过筛选后，最终得到了一个包含 40,759 个边缘低表面亮度星系候选者的目录。这个样本与训练数据集具有相似的特征，主要由蓝色边缘的 LSBG 候选者组成。这样的样本对于深入研究这类星系的性质、分布以及它们对宇宙学模型的影响具有重要意义。此外，该目录可以通过提供的链接在线访问。 #### 结论 这项研究不仅展示了如何利用先进的机器学习技术来有效地识别宇宙中的稀有天体，而且也为进一步探索低表面亮度星系提供了宝贵的数据资源。通过对边缘低表面亮度星系的研究，我们可以更好地理解星系的多样性和演化过程，这对于扩展我们对宇宙的认识至关重要。