RG-CAT: Detection Pipeline and Catalogue of Radio Galaxies in the EMU Pilot Survey

我们提供了源检测和目录构建流程，以建立使用澳大利亚平方千米阵列探测器（ASKAP）望远镜进行的进化宇宙地图（EMU-PS）270平方度试验观测中的第一个无线电星系目录。检测流程使用Gal-DINO计算机视觉网络（Gupta等人，2024年）预测无线电形态的类别和边界框，以及它们的潜在红外主机位置。Gal-DINO网络在大约5,000个经过视觉检查的无线电星系及其红外主机上进行训练和评估，包括紧凑和扩展的无线电形态。我们发现，对于99％的无线电源，预测和实际边界框之间的交集比（IoU）大于0.5，而98％的预测主机位置在评估集中与实际红外主机的距离在$3^{\prime \prime}$以内。目录构建流程使用训练网络在基于使用Selavy源查找算法识别的无线电组件目录的无线电和红外图像剪切中的预测。然后使用预测的置信度评分对具有较高分数的Selavy组件进行优先排序，并首先将它们纳入目录。这导致对总共211,625个无线电源进行了识别，其中201,211个被分类为紧凑且未解决的。其余的10,414个被归类为扩展的无线电形态，包括582个FR-I，5,602个FR-II，1,494个FR-x（无法确定是FR-I还是FR-II），2,375个R（单峰解决）无线电星系和361个具有特殊和其他罕见形态的星系。我们将目录中的无线电源与红外和光学目录进行交叉匹配，发现73％的无线电星系有红外交叉匹配，36％的无线电星系有光度红移。

构建第一个基于ASKAP望远镜的射电星系目录，解决射电星系的分类和位置预测问题。

使用Gal-DINO计算机视觉网络来预测射电星系的形态类别、边界框和红外主机位置，并根据置信度对Selavy组件进行分类，构建射电星系目录。

论文使用了Gal-DINO计算机视觉网络来预测射电星系的形态类别、边界框和红外主机位置，并且在评估集上表现良好。构建了包括211,625个射电源在内的射电星系目录，并且对目录中的星系进行了分类和位置预测。论文还进行了与红外和光学目录的交叉匹配，并发现了许多新的射电星系。

在这个领域中，最近的相关研究包括“Deep learning for radio galaxy detection and morphology classification in the SKA era”和“Radio Galaxy Zoo: deep learning for radio astronomy”。