星系特征提取

背景

随着天文巡天技术的发展，望远镜产生的观测数据呈指数级增长，传统人工分析已无法满足需求。星系作为宇宙基本结构单元，其形态、光度、颜色等特征蕴含着星系形成与演化的关键物理信息。高效准确地提取这些特征对于理解宇宙结构演化具有重要意义。

方法

本任务采用深度学习技术构建星系特征自动提取框架，主要包括：基于卷积神经网络的形态学分类模型，可识别漩涡、椭圆、不规则等星系类型；利用迁移学习策略在小样本条件下实现高精度特征预测；结合多任务学习框架同时输出星系的多维物理参数。

应用场景

该技术可应用于大型巡天项目的数据处理，如SDSS、DES等国际合作项目；在星系动物园（Galaxy Zoo）项目中辅助志愿者分类；在宇宙学模拟中验证星系形成模型；为研究暗物质分布、星系团性质等前沿课题提供数据支持。