随着天文探测技术的快速发展,海量的星系图像数据不断产生,能够及时高效地对星系图像进行形态分类对研究星系的形成与演化至关重要.针对传统的星系形态分类模型特征选择困难、分类速度慢、准确率受限等难题,提出一种以Inception-v3神经网络为主干结构,融合压缩激励(Squeeze and Excitation Network, SE)通道注意力机制的星系形态分类模型.该模型在斯隆数字巡天(Sloan Digital Sky Survey, SDSS)样本的测试集准确率高达99.37%.旋涡星系、圆形星系、中间星系、雪茄状星系与侧向星系的F1值分别为99.33%、99.58%、99.33%、99.41%与99.16%.该模型与Inception-v3、MobileNet (Mobile Neural Network)和ResNet (Residual Neural Network)网络模型相比, SE-Inception-v3宽度和深度优势表现出更强的特征提取能力,可以高效识别不同形态的星系,为未来大型巡天计划的大规模星系形态分类问题提供了一种新方法.
