[论文解读] Radio Galaxy Zoo: Giant Radio Galaxy Classification using Multi-Domain Deep Learning

Hongming Tang, Anna M. M. Scaife+2 more|arXiv (Cornell University)|Dec 7, 2021

Radio Astronomy Observations and Technology参考文献 114被引用 15

一句话总结

本文提出一种多领域、多分支卷积神经网络（CNN），利用NVSS和FIRST射电巡天数据以及红移信息，对巨型射电星系（GRGs）进行自动化分类。通过融合多分辨率数据，该模型相比单领域网络将分类准确率提高了39%，证明了多模态深度学习在大规模射电巡天中稀有源检测方面的有效性。

ABSTRACT

In this work, we explore the potential of multi-domain multi-branch convolutional neural networks (CNNs) for identifying comparatively rare giant radio galaxies from large volumes of survey data, such as those expected for new-generation radio telescopes like the SKA and its precursors. The approach presented here allows models to learn jointly from multiple survey inputs, in this case NVSS and FIRST, as well as incorporating numerical redshift information. We find that the inclusion of multi-resolution survey data results in correction of 39% of the misclassifications seen from equivalent single domain networks for the classification problem considered in this work. We also show that the inclusion of redshift information can moderately improve the classification of giant radio galaxies.

研究动机与目标

• 开发一种自动化、可扩展的方法，用于识别未来大型射电巡天（如SKA）中的稀有巨型射电星系（GRGs）。
• 解决依赖人工目视检查的局限性，后者对于下一代望远镜预期产生的数百万个扩展射电源而言不可行。
• 通过将多分辨率射电巡天数据（NVSS和FIRST）以及红移信息整合到单一深度学习框架中，提升分类性能。
• 研究数据构成、模型架构和正则化技术对GRG分类准确率的影响。
• 通过分析模型注意力机制和输入形态，诊断并理解频繁误分类案例的原因。

提出的方法

• 采用多分支、多领域CNN架构，处理来自两个射电巡天的数据：NVSS（1.4 GHz，45角秒 beam）和FIRST（1.4 GHz，5角秒 beam），实现多分辨率特征学习。
• 将宿主星系红移作为额外输入通道，以改善物理尺寸估计和分类，利用宇宙学距离关系。
• 采用混合数据处理流程：预先处理的NVSS和FIRST射电图像被对齐并重采样至统一分辨率，然后输入CNN。
• 应用实例归一化（IN）和Inception模块，以提升训练稳定性并降低计算成本，同时保持或提升性能。
• 使用两个独立的测试集进行模型训练与验证：GRGNOM-A（类别比例均衡）和GRGNOM-B（类别比例不均衡、更符合现实），并通过交叉验证评估模型鲁棒性。
• 开展消融研究，以隔离多领域输入和红移信息的贡献，并与单领域及单输入基线模型进行性能对比。

实验结果

研究问题

• RQ1 与单领域模型相比，融合低分辨率和高分辨率射电巡天数据的多领域深度学习模型是否能显著提升GRG分类准确率？
• RQ2 宿主星系红移信息的引入如何影响GRG分类模型的性能？
• RQ3 GRG检测中持续误分类的主要原因是什么？能否通过可解释AI技术进行诊断？
• RQ4 架构选择（如实例归一化和Inception模块）如何影响稀有类别检测中的模型性能与泛化能力？
• RQ5 数据集构成（类别比例、样本选择）在多大程度上影响GRG检测任务中模型的行为与泛化能力？

主要发现

• 与等效的单领域网络相比，多领域多分支CNN模型将误分类率降低了39%，证明了融合多分辨率数据的显著优势。
• 表现最佳的模型在平衡数据集GRGNOM-A上达到97.9%的测试准确率，在更具现实性的非平衡数据集GRGNOM-B上达到91.4%的准确率。
• 引入红移信息带来了中等但可测量的性能提升，尤其在解决模糊案例方面表现明显。
• 使用Inception模块降低了计算成本，并有助于纠正易被忽略的小尺度、紧凑源的误分类。
• 频繁误分类主要由源重叠、预处理导致的形态信息损失以及源分辨率问题引起，尤其是当目标在巡天图中部分被解析掉时。
• 实例归一化被发现无害且有效，有助于稳定训练，但其与其它归一化方法的相对性能仍有待进一步研究。