– 并合星系形态特征的不规则性：普通星系测光模型的盲区

– 训练集：最近释放的人眼星系形态分类数据Galaxy Zoo DECaLS

– 方法 ：随机森林（RF）；快速傅立叶变化（FFT）+RF；FFT+主成份（PCA）+RF；CNN（卷积神经网络）等

– 在并合星系分类模型中：简单的数据变换+回归分析，可以得到和CNN相当的结果，前者具有更好的可理解性。

    （Rafael de Souza，陈宓，沈世银）

DeepLeGATo：利用CNN拟合星系光度轮廓，得到和GALFIT相当甚至更好的精度，速度提高>50倍（GPU可提速3000倍）。

复现DeepLeGATo，并适用于CSST数据：构造了5000个不同光度轮廓星系的模拟图像；搭建经典CNN网络，开始训练。

acc=right/all; prec=TP/(TP+FP)；recall=TP/（TP+FN）

TP(True Positive)：将正类预测为正类（的数目），真实为0，预测也为0;

FN(False Negative)：将正类预测为负类（的数目），真实为0，预测为1;

FP(False Positive)：将负类预测为正类（的数目）， 真实为1，预测为0;

TN(True Negative)：将负类预测为负类（的数目），真实为1，预测也为1。

前边T\F是分类正确或者错误，后面的P\N是结果被分成是正例或负例

精确率（precision）：TP/(TP+FP)

召回率（recall）：TP/(TP+FN)

DeepLeGATo作者离开天文界：源码未公开

赵倩文，沈世银