张士川 郑小盈

1(中国科学院大学微电子学院 北京 100049)2(中国科学院上海高等研究院 上海 201210)

0 引 言

在天文科学领域，随着数字图像技术代替摄影图像技术，以及大型巡天项目的开展，越来越多的天文数据被收集起来。对天文数据不断地收集和分析使得天文科学发展到一个新的阶段。海量的数据给天文科学的发展提供了基础，而有效的数据处理和分析手段变得极其重要。在天文学中，合理地将点状源(恒星)和扩展源(星系)分开是从光度图像中提取其他天文数据的前提[1]，所以恒星/星系识别一直是天文领域的一个基础研究项目。在对源进行分析时，低分辨率高信噪比样本给恒星/星系识别任务带来了困难。到目前为止，已经出现了很多针对恒星/星系精确识别的研究，其中包括了基于形态和启发式分割的方法[2-3]，这两类方法在识别暗星体(低分辨率高信噪比)时表现出明显的不足。由于目前已经获得了大量恒星和星系的观测数据，所以最近很多研究将机器学习方法引入到恒星/星系识别任务中。

随着计算机存储和计算能力的发展，将机器学习和深度学习等方法的研究推向一个新的高潮。机器学习方法在诸多交叉领域的优势日益突出，比如医疗、生物、金融以及安防等。随着大型巡天项目的实施和开展，机器学习和深度学习方法逐渐应用到天文领域。Zhu等[4]应用深度学习方法进行脉冲星识别，有效提高脉冲星识别的召回率；Daniel等[5]将深度学习应用到实时的引力波检测和参数估计中；……