Classification of Galaxies with Convolutional Neural Networks

Öz

The classification of galaxies is a critical step in understanding their formation and evolution. The images obtained by the imaging surveys have been tremendously increased over the past 20 years. Thus, it nearly became difficult to classify galaxies visually. Today, machine learning in parameter space and deep learning in pixel space help to partially overcome this challenge. In this study, convolutional neural networks (CNN) were used to classify galaxies. The model employed in the study was trained using images of both SDSS and DECaLS surveys which have been labelled from the Galaxy Zoo-2 project. The model we trained for six classes using DECaLS images revealed an accuracy of 87\% while the model trained using SDSS images of the same galaxies resulted an accuracy of 84\%.

Anahtar Kelimeler

• deep learning
• Galaxy Morphology
• Convolutional Neural Networks
• Artificial Neural Network

Evrişimli Sinir Ağlarıyla Galaksilerin Sınıflandırılması

Öz

Galaksilerin sınıflandırılması, onların oluşumlarını ve evrimlerini anlamak için atılan önemli bir adımdır. Son 20 yılda artan gökyüzü taramalarında elde edilen görüntülerdeki galaksilerin gözle sınıflandırılması neredeyse imkansız hale gelmiştir. Bu problem günümüzde parametre uzayında makine öğrenmesi, görüntü uzayında ise derin öğrenme yöntemleri ile kısmen çözülmektedir. Bu çalışmada, evrişimli sinir ağları (convolutional neural network - CNN) kullanılarak galaksiler sınıflandırılmıştır. Çalışmada kullanılan model, Galaxy Zoo-2 projesi kapsamında etiketlenmiş galaksilerin hem SDSS hem de DECals gökyüzü taramaları kapsamında elde edilen görüntüleri ile eğitilmiştir. Altı sınıf için SDSS verileri ile eğittiğimiz modelin doğruluk oranı (accuracy) \%84 olarak elde edilirken, aynı galaksilerin DECaLS görüntülerini kullanarak eğittimiz modelin doğruluk oranı ise \%87 olarak bulunmuştur.

Anahtar Kelimeler

• deep learning
• Galaxy Morphology
• Convolutional Neural Networks
• Artificial Neural Network

Kaynakça

1. Abdurro’uf ve diğ., 2022, ApJS, 259, 35
2. Baldry I. K., Glazebrook K., Brinkmann J., et al. 2004, ApJ, 600, 681
3. Blanton M. R., ve diğ., 2017, AJ, 154, 28
4. Bom C. R., ve diğ., 2021, MNRAS, 507, 1937
5. Butcher H., Oemler A. J., 1978, ApJ, 226, 559
6. Butcher H., Oemler A. J., 1984, ApJ, 285, 426
7. Cheng T.-Y., ve diğ., 2021, MNRAS, 507, 4425
8. Conselice C. J., 2006, MNRAS, 373, 1389

9. Dey A., ve diğ., 2019, AJ, 157, 168
10. Dieleman S., Willett K. W., Dambre J., 2015, MNRAS, 450, 1441
11. Domínguez Sánchez H., Huertas-Company M., Bernardi M., Tuccillo D., Fischer J. L., 2018, MNRAS, 476, 3661
12. Dressler A., 1980, ApJ, 236, 351
13. Ghosh A., Urry C. M., Wang Z., Schawinski K., Turp D., Powell M. C., 2020, ApJ, 895, 112
14. Goddard H., Shamir L., 2020, ApJS, 251, 28
15. Gunn J. E., ve diğ., 2006, AJ, 131, 2332
16. Hart R. E., ve diğ., 2016, MNRAS, 461, 3663
17. Hubble E. P., 1926, ApJ, 64, 321
18. Hubble E. P., 1936, Realm of the Nebulae. New Haven: Yale University Press
19. Huertas-Company M., ve diğ., 2015, ApJS, 221, 8
20. LeCun Y., Bottou L., Bengio Y., Haffner P., 1998, in Proceedings of the IEEE. pp 2278–2324, http://citeseerx.ist.psu.edu/ viewdoc/summary?doi=10.1.1.42.7665
21. Lintott C., ve diğ., 2011, MNRAS, 410, 166
22. Strateva I., ve diğ., 2001, AJ, 122, 1861
23. Tadaki K.-i., Iye M., Fukumoto H., Hayashi M., Rusu C. E.,
24. Shimakawa R., Tosaki T., 2020, MNRAS, 496, 4276
25. Varma S., ve diğ., 2022, MNRAS, 509, 2654
26. Vega-Ferrero J., ve diğ., 2021, MNRAS, 506, 1927
27. Walmsley M., ve diğ., 2022, MNRAS, 509, 3966
28. Willett K. W., ve diğ., 2013, MNRAS, 435, 2835
29. York D. G., ve diğ., 2000, AJ, 120, 1579