共查询到20条相似文献，搜索用时 531 毫秒
1.
2.
3.
4.
《天文研究与技术》2016,(2)
SExtractor作为一套从巡天图像中检测天体并提取天体星等、位置等信息的开源软件,已经被广泛运用在深度巡天的目标源提取和测量中。深度巡天中目标源的检测能力(深度)和对轮廓重叠的目标源的分解能力往往比光子噪声带来的测量误差更重要。针对不同研究目的的目标天体的提取往往需要在对目标源的检测能力和分解能力之间进行平衡,在使用SExtractor提取目标源时其参数设定也存在较大差异。介绍了SExtractor在深度巡天中参数的设定,结合分析讨论了SExtractor获取天体目标和测量的精度,同时也发现在深度巡天中使用SExtractor提取目标源存在十分严重的过度分化问题。 相似文献
5.
6.
本论文用ＩＲＡＳ巡天数据的最新版本ＩＳＳＡ，经过进一步处理，得到了Ｓ１４０、Ｓ１４１、Ｓ１４２ＳｈａｒｐｌｅｓｓＨⅡ区—分子云复合体的红外发射强度、温度及其光深的分布图。在此基础上对各ＨⅡ区的特性参量进行了统计分析，得到了分子云复合体的红外发射总光度以及复合体中尘埃的分布情况，对尘埃中ＶＳＧ的丰度作出了分析。并对各恒星形成区中的致密团块进行了研究，揭示出其中一些可能的恒星形成区域。同时对Ｓ１４０区中的有关红外点源作出了能谱分折，并对Ｓ１４１区的激发星进行了讨论。第一章对红外天文学研究及其特点作出了分析，并集中介绍了ＨⅡ区的有关情况；第二章给出了ＩＲＡＳ红外天文卫星及其数据资料的一些情况；第三章、第四章和第五章，重点给出了ＩＳＳＡ图像资料的处理和各ＨⅡ区的征对性分析及所得结论。文中图像分析所用的一些辅助工具（如用于ＩＳＳＡ定位分析的ＩＲＡＦ坐标系和赤道坐标系的转换程序等）出于作者之手，另外，本文分析所用红外天空巡天图由ＩＰＡＣ提供，而红外发射强度图、红外色温和光深分布图以及有关统计分析则隶属于作者的图像处理结果。 相似文献
7.
8.
1983年1月26日发射的红外天文卫星,现工作良好。预期其使用期限达十一个月,约百分之六十的时间将用于整个红外天空的巡天。 红外天文卫星工作组计划在它飞行任务结束后发表一份完整的红外巡天表。在此以前将每两三个 相似文献
9.
本文使用红外天文卫星（IRAS）巡天数据的最新版本IRAS天空巡天图（ISSA），经过进一步处理，得到了S140S141和S142SharplessHII区－分子云复合体的红外发射强度、温度及其光深的分布．在此基础上对各HII区的一些物理参量进行了统计分析，得到了分子云复合体的红外发射总光度以及复合体中尘埃的分布情况，对小尺度尘埃（VSG）的丰度进行了分析．并对各恒星形成区中的致密团块进行了研究，揭示出其中一些可能的恒星形成区域．同时，对S140区中的有关红外点源作出了能谱分析，并对S141区的激发星进行了讨论． 相似文献
10.
11.
《天文学进展》2018,(4)
星系形态与星系的形成和演化有着密切的联系,因此星系形态分类(galaxy morphology classification)成为研究不同星系物理特征的重要过程之一。斯隆数字巡天(Sloan Digital Sky Survey, SDSS)等大型巡天计划产生的海量星系图像数据对星系形态的准确、实时分类提出了新的挑战,而深度学习(deep learning)算法能有效应对这类海量星系图片的自动分类考验。面向星系形态分类问题提出了一种改进的深度残差网络(residual network, ResNet),即ResNet-26模型。该模型对残差单元进行改进,减少了网络深度,并增加了网络宽度,实现了对星系形态特征的自动提取、识别和分类。实验结果表明,与Dieleman和ResNet-50等其他流行的卷积神经网络(convolution neural network, CNN)模型相比,ResNet-26模型具有更优的分类性能,可应用于未来大型巡天计划的大规模星系形态分类系统。 相似文献
12.
13.
14.
15.
本使用红外天卫星（ＩＲＡＳ）巡天数据的最新版本ＩＲＡＳ天空巡天图（ＩＳＳＡ），经过进一步处理，得到了Ｓ１４０，Ｓ１４１和Ｓ１４２ＳｈａｒｐｌｅｓｓＨＩＩ区一分子云复合体的红外发射强度，温度及其光深的分布。在此基础上以ＨＩＩ区的一些物理参量进行了统计分析，得到了分子云复合体的红外发射总光度以及复合体中尘埃的分布情况，对小尺度法埃（ＶＳＧ）的丰度进行了分析，并对各恒星形成区中的致密团块进行了研究， 相似文献
16.
简单回顾了红外天文学观测技术进展情况。对银盘和银心的红外观测作了详细总结和讨论。简单总结了星系演化的两个基本参数:初始质量函数(IMF)和恒星形成速率(SFR),以及讨论了红外观测在这两个参数研究中的贡献。 最后指出今后大尺度红外巡天的方向。 相似文献
17.
随着天文探测技术的快速发展, 海量的星系图像数据不断产生, 能够及时高效地对星系图像进行形态分类对研究星系的形成与演化至关重要. 针对传统的星系形态分类模型特征选择困难、分类速度慢、准确率受限等难题, 提出一种以Inception-v3神经网络为主干结构, 融合压缩激励(Squeeze and Excitation Network, SE)通道注意力机制的星系形态分类模型. 该模型在斯隆数字巡天(Sloan Digital Sky Survey, SDSS)样本的测试集准确率高达99.37%. 旋涡星系、圆形星系、中间星系、雪茄状星系与侧向星系的F1值分别为99.33%、99.58%、99.33%、99.41%与99.16%. 该模型与Inception-v3、MobileNet (Mobile Neural Network)和ResNet (Residual Neural Network)网络模型相比, SE-Inception-v3宽度和深度优势表现出更强的特征提取能力, 可以高效识别不同形态的星系, 为未来大型巡天计划的大规模星系形态分类问题提供了一种新方法. 相似文献
18.
19.
由欧洲南方天文台发起的麦哲伦星云巡天是一个针对麦哲伦星云的巡天项目,其近红外波段的观测图像覆盖了麦哲伦星云的大部分区域.由于此数据处理系统基于通常目标设计,对于较暗目标的处理结果并不够好.针对这个问题,采取了一系列适用于麦哲伦巡天暗端数据的手动处理方法,通过合并多个时期的巡天数据并采用点扩散函数(Point Spread Function,PSF)测光来提高此巡天数据在暗端的表现.结果在暗端的表现与数据处理系统相差较大,主要体现为精度更高,在误差小于0.1 mag的情况下,其结果较数据处理系统的深0.8 mag,同时发现了更多的有效点源,以50%完备度为限,点源数目高于数据处理系统至少30%. 相似文献
20.
低表面亮度星系(Low Surface Brightness Galaxy, LSBG)的特征对于理解星系整体特征非常重要, 通过现代的机器学习特别是深度学习算法来搜寻扩充低表面亮度星系样本具有重要意义. LSBG因特征不明显而难以用传统方法进行自动和准确辨别, 但深度学习确具有自动找出复杂且有效特征的优势, 针对此问题提出了一种可用于在大样本巡天观测项目中搜寻LSBG的算法---YOLOX-CS (You Only Look Once version X-CS). 首先通过实验对比5种经典目标检测算法并选择较优的YOLOX算法作为基础算法, 然后结合不同注意力机制和不同优化器, 构建了YOLOX-CS的框架结构. 数据集使用的是斯隆数字化巡天(Sloan Digital Sky Survey, SDSS)中的图像, 其标签来自于$\alpha.40$-SDSS DR7 (40%中性氢苜蓿巡天与第7次数据发布的斯隆数字化巡天的交叉覆盖天区)巡天项目中的LSBG, 由于该数据集样本较少, 还采用了深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks, DCGAN)模型扩充了实验测试数据. 通过与一系列目标检测算法对比后, YOLOX-CS在扩充前后两个数据集中搜索LSBG的召回率和AP (Average Precision)值都有较好的测试结果, 其在未扩充数据集的测试集中的召回率达到97.75%, AP值达到97.83%, 在DCGAN模型扩充的数据集中, 同样测试集下进行实验的召回率达到99.10%, AP值达到98.94%, 验证了该算法在LSBG搜索中具有优秀的性能. 最后, 将该算法应用到SDSS部分测光数据上, 搜寻得到了765个LSBG候选体. 相似文献