利用深度学习技术来从纷繁复杂的观测图像中识别和发现新的星系

在解决了地球上的诸多难题之后，AI的目光又转向了深邃的宇宙。近日，来自西澳大利亚大学的研究人员们利用深度学习技术，来从纷繁复杂的观测图像中识别和发现新的星系，让AI成为宇宙探索和发现的有力帮手。

随着大型射电望远镜的发展，越来越多太空区域被观测和收集。如何有效的从如此庞大的观测数据中发现新的天体成为了摆在天文学家面前的巨大问题，毕竟靠天文学家人工去观测分析在巨大的数据量面前是几乎不可能的任务。

深度学习给研究人员们启发了新的思路。他们基于R-CNN的方法，将计算机视觉中的目标检测任务迁移到了天文学中的星系识别任务中，取得了良好的效果。

研究人们们开发出了一套名为ClaRAN的系统，将分析射电望远镜拍摄到的观测图片，从中识别出星系黑洞中放出了强射电模式。

ClaRAN通过综合多个波段的数据来实现对于星系的高精度检测

研究人员表示，绝大多数情况下黑洞都会位于星系的中央，这些巨大的黑洞喷射出的射线可以被射电望远镜捕捉到。但随着时间的推移这样的能量喷射会从宿主星系弥散开来让传统的计算机程序难以分辨出星系的真正位置，而这正是ClaRAN的任务所在。天文学家们基于著名的检测模型Faster R-CNN训练并建立了识别星系的新算法，代替了人工低效冗长的工作。

在训练过程中，天文学家们使用了来自radio galaxy zoo中的22326张数据对模型进行了训练，模型架构如下图所示。

这一架构同时对两个任务进行学习，寻找出星系的位置和对应的形态分类

这一模型可以达到超过90%的识别精度，将很多复杂模式的星系结构识别出来，这不仅提高了天文学的研究效率，更解放了科学家的时间让他们投身于更多新类型星系的研究任务中去。

通过结合不同波段的观测信息，ClaRAN检测的置信概率不断提高。

这一网络同时还可以在比训练数据视野更大的观测数据上得到良好的结果，这对于大范围的搜索有着至关重要的作用。

在未来，研究人员们将继续改进ClaRAN系统，提高它对于多源数据的分辨能力，并用更有效的统计手段对结果进行评估。

如果感兴趣想试试星系的分类，可以在这里找到课题组开源的代码，基于Tensorflow和Faster RCNN-TF开发。

https://github.com/chenwuperth/rgz_rcnn/

很多星系的数据可以在kaggle数据库中找到：

https://www.kaggle.com/c/galaxy-zoo-the-galaxy-challenge

http://radio.galaxyzoo.org/

https://radiotalk.galaxyzoo.org/