Star-forming clump detection in nearby galaxies using Faster R-CNN and $ugrizy$ imaging data from CLAUDS and HSC-SSP

Resumen Técnico: Detección de cúmulos de formación estelar en galaxias cercanas mediante Faster R-CNN y datos de imágenes ugrizy de CLAUDS y HSC-SSP

Planteamiento del Problema
Los Cúmulos Gigantes de Formación Estelar (GSFCs, por sus siglas en inglés) son regiones de formación estelar intensificada a escala de kiloparsecs con masas estelares entre $10^7$ y $10^9 M_\odot$. Aunque se observan comúnmente en galaxias de alto desplazamiento al rojo ($z \sim 2$), rara vez se detectan en análogos de galaxias de bajo desplazamiento al rojo ($z \lesssim 0.5$). Estudios previos han dependido de muestras pequeñas, utilizando frecuentemente la identificación visual por parte de expertos o algoritmos de extracción de fuentes en imágenes con contraste mejorado. Estos métodos están limitados en escala y automatización. Los autores señalan que, si bien el Aprendizaje Profundo (DL) se ha aplicado a muestras más grandes, aún faltan mediciones robustas de las propiedades físicas para muestras extensas de cúmulos de bajo desplazamiento al rojo debido a la escasez de galaxias con cúmulos observadas en estos desplazamientos.

Metodología
Los autores desarrollaron un novedoso modelo de detección de objetos basado en el marco de la Red Neuronal Convolucional basada en Regiones más Rápida (Faster R-CNN o FRCNN), adaptado específicamente para imágenes astronómicas multibanda.

• Fuentes de Datos: El estudio utiliza datos de imagen del Programa Estratégico Subaru con la Hyper Suprime-Cam (HSC-SSP) y el CFHT Large Area U-band Deep Survey (CLAUDS) en cuatro campos profundos. El conjunto de datos comprende una muestra de $\sim$710,000 galaxias, con un subconjunto de $\sim$14,000 galaxias que poseen fotometría de seis bandas ($ugrizy$) y el resto con fotometría de cinco bandas ($grizy$).
• Arquitectura del Modelo:
  • Backbone (Columna vertebral): El modelo adopta el modelo de base de aprendizaje profundo Zoobot (versión 2.0, basado en ResNet50) como el backbone de extracción de características. Esto representa una de las primeras aplicaciones de Zoobot en una tarea de detección de objetos descendente (downstream).
  • Adaptación de Entrada: La capa de entrada estándar de ResNet50 (diseñada para imágenes RGB de 3 canales) fue modificada para aceptar entradas de 5 canales ($grizy$) y 6 canales ($ugrizy$). Los pesos preentrenados fueron adaptados copiando los pesos de los canales originales $g$, $r$ e $i$ hacia los nuevos canales $u$, $z$ y $y$.
  • Esquema de Clasificación: La cabeza de detección se expandió a un esquema de seis clases para distinguir entre: (1) cúmulos, (2) cúmulos "extraños" (artefactos/anomalías), (3) estrellas en primer plano, (4) galaxias en primer plano/fondo, (5) bulbos y (6) fondo genérico. Este enfoque multiclase tiene como objetivo reducir la contaminación en la muestra final de cúmulos.
• Datos de Entrenamiento: Un conjunto de datos de 3,198 galaxias fue anotado manualmente utilizando un enfoque de "corregir a la máquina". Un modelo inicial entrenado con datos de Galaxy Zoo: Clump Scout (GZCS) proporcionó pre-detecciones, que luego fueron corregidas por voluntarios a través de una interfaz de Zooniverse. Este proceso incluyó la corrección de los cuadros delimitadores (bounding boxes) y la reclasificación de falsos positivos (por ejemplo, estrellas o bulbos identificados erróneamente como cúmulos).
• Postprocesamiento: Las salidas brutas del modelo se sometieron a una Supresión de No Máximo (NMS) con un umbral de IoU de 0.2. Se eliminaron los cuadros delimitadores que excedían un tamaño físico de 7.30 kpc, así como aquellos que contenían completamente cuadros más pequeños o que se encontraban fuera de la máscara de segmentación de la galaxia o cerca del bulbo central. Los picos de flujo dentro de los cuadros restantes se extrajeron para definir las posiciones precisas de los candidatos a cúmulos.

Contribuciones Clave

1. Detección de Objetos Multibanda: Los autores extendieron con éxito la arquitectura Faster R-CNN para procesar datos de imagen multibanda simultáneos (hasta seis canales), demostrando que el uso de la información espectral completa mejora el rendimiento de la detección en comparación con las entradas RGB estándar o de bandas limitadas.
2. Integración de Zoobot: El artículo demuestra la viabilidad del uso del modelo fundacional Zoobot como extractor de características para la detección de objetos, aprovechando su preentrenamiento en datos astronómicos reales para manejar características específicas del dominio con un conjunto de entrenamiento relativamente pequeño ($\sim$3,200 imágenes).
3. Gestión Integral de Contaminantes: Al entrenar en un esquema multiclase, el modelo aprende explícitamente a identificar y separar los contaminantes (estrellas, galaxias de fondo, bulbos) de los verdaderos cúmulos de formación estelar, lo que representa una mejora significativa sobre los esquemas de clasificación binaria.
4. Catálogo a Gran Escala: La aplicación de estos modelos a los conjuntos de datos HSC-SSP y CLAUDS resultó en la detección de aproximadamente 1.5 millones de candidatos a cúmulos en $\sim$700,000 galaxias, proporcionando un catálogo público para análisis futuros.

Resultados
El rendimiento del modelo fue validado utilizando un gran conjunto de galaxias en las cuales se inyectaron cúmulos de formación estelar simulados. Las simulaciones cubrieron un rango de propiedades físicas (masa estelar, edad, metalicidad, atenuación de polvo) y fueron modeladas hacia adelante para coincidir con el seeing y la profundidad de los sondeos.

• Completitud y Pureza: Para cúmulos simulados más brillantes que los límites de profundidad de fuente puntual de $5\sigma$ de los instrumentos:
  • El modelo de 6 canales ($ugrizy$) logró una completitud de detección de $\gtrsim 0.9$ y una pureza de $\gtrsim 0.8$.
  • El modelo de 5 canales ($grizy$) mostró una completitud ligeramente menor (cayendo un $\sim$2–3% respecto al modelo de 6 canales) pero mantuvo una pureza similar ($\gtrsim 0.8$).
• Impacto de los Datos de la Banda U: La inclusión de los datos de la banda $u$ (de CLAUDS) mejoró significativamente la detección de cúmulos con formación estelar muy reciente, que a menudo son más tenues en las bandas más rojas. El modelo de 6 canales detectó un $\sim$17% más de candidatos a cúmulos que el modelo de 5 canales en la muestra superpuesta, principalmente aquellos brillantes en el NUV (ultravioleta cercano).
• Métricas de Rendimiento: Los modelos alcanzaron una alta recuperación (recall, cercano a 1.0 en umbrales de objetidad bajos) y mejoras en la precisión al filtrar por puntuaciones de objetidad. Las puntuaciones $F_1$ indicaron que el ajuste fino de los pesos del backbone generalmente producía un mejor rendimiento que el aprendizaje por transferencia con pesos fijos, aunque el aprendizaje por transferencia mostró signos tardíos de sobreajuste (overfitting).
• Limitaciones: La completitud disminuye para cúmulos con bajo contraste contra el fondo de la galaxia ($u_{cl} - u_{bkg} \gtrsim -1$) o aquellos ubicados muy cerca del centro de la galaxia ($d_{cl} \lesssim 0.5 r_{eff}$), donde son eclipsados por el bulbo.

Significancia y Afirmaciones
Los autores afirman que su enfoque basado en DL permite la detección automatizada de cúmulos de formación estelar en grandes muestras de galaxias de bajo desplazamiento al rojo, una tarea que anteriormente se veía obstaculizada por las limitaciones de la inspección manual y los algoritmos tradicionales. Al lograr una alta completitud y pureza en los datos simulados, el estudio sugiere que el método de detección es robusto y que el factor limitante principal para estudios futuros es la sensibilidad de los instrumentos de observación más que el algoritmo de detección en sí.

El artículo concluye modestamente que, si bien el modelo de 5 canales es suficiente para sondeos a gran escala que carecen de datos de la banda $u$, el modelo de 6 canales ofrece un rendimiento superior para identificar las regiones de formación estelar más jóvenes. Los autores enfatizan que el catálogo resultante requiere la aplicación cuidadosa de criterios de selección (por ejemplo, excluir galaxias de canto, cúmulos centrales y aplicar límites de completitud de masa) para el análisis científico. Señalan que, aunque las detecciones son robustas fotométricamente, es necesaria la confirmación espectroscópica (por ejemplo, mediante la emisión de H$\alpha$) para confirmar definitivamente la naturaleza de formación estelar de los candidatos.