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

Resumo Técnico: Detecção de aglomerados de formação estelar em galáxias próximas usando Faster R-CNN e dados de imagem ugrizy de CLAUDS e HSC-SSP

Definição do Problema
Aglomerados Gigantes de Formação Estelar (GSFCs) são regiões de escala kpc com formação estelar intensificada, com massas estelares entre $10^7$ e $10^9 M_\odot$. Embora sejam comumente observados em galáxias de alto redshift ($z \sim 2$), eles são raramente detectados em análogos de galáxias de baixo redshift ($z \lesssim 0.5$). Estudos anteriores basearam-se em amostras pequenas, utilizando frequentemente a identificação visual por especialistas ou algoritmos de extração de fontes em imagens com contraste realçado. Esses métodos são limitados em escala e automação. Os autores observam que, embora o Aprendizado Profundo (DL) tenha sido aplicado a amostras maiores, medições robustas de propriedades físicas para grandes amostras de aglomerados de baixo redshift permanecem ausentes devido à escassez de galáxias com aglomerados observadas nesses redshifts.

Metodologia
Os autores desenvolveram um novo modelo de detecção de objetos baseado na estrutura de Rede Neural Convolucional Baseada em Regiões Faster (Faster R-CNN ou FRCNN), especificamente adaptado para imagens astronômicas multibanda.

• Fontes de Dados: O estudo utiliza dados de imagem do Hyper Suprime-Cam Subaru Strategic Program (HSC-SSP) e do CFHT Large Area U-band Deep Survey (CLAUDS) em quatro campos profundos. O conjunto de dados compreende uma amostra de $\sim$710.000 galáxias, com um subconjunto de $\sim$14.000 galáxias possuindo fotometria de seis bandas ($ugrizy$) e o restante possuindo fotometria de cinco bandas ($grizy$).
• Arquitetura do Modelo:
  • Backbone: O modelo adota o modelo de fundação Zoobot (versão 2.0, baseado em ResNet50) como o backbone de extração de características. Isso representa uma das primeiras aplicações do Zoobot em uma tarefa de detecção de objetos downstream.
  • Adaptação de Entrada: A camada de entrada padrão da ResNet50 (projetada para imagens RGB de 3 canais) foi modificada para aceitar entradas de 5 canais ($grizy$) e 6 canais ($ugrizy$). Os pesos pré-treinados foram adaptados copiando os pesos dos canais originais $g$, $r$ e $i$ para os novos canais $u$, $z$ e $y$.
  • Esquema de Classificação: A cabeça de detecção foi expandida para um esquema de seis classes para distinguir entre: (1) aglomerados, (2) aglomerados "estranhos" (artefatos/anomalias), (3) estrelas de primeiro plano, (4) galáxias de primeiro plano/fundo, (5) bojos (bulges) e (6) fundo genérico. Esta abordagem multi-classe visa reduzir a contaminação na amostra final de aglomerados.
• Dados de Treinamento: Um conjunto de dados de 3.198 galáxias foi anotado manualmente usando uma abordagem "corrigir-a-máquina". Um modelo inicial treinado nos dados do Galaxy Zoo: Clump Scout (GZCS) forneceu pré-detecções, que foram então corrigidas por voluntários via uma interface Zooniverse. Este processo incluiu a correção de caixas delimitadoras (bounding boxes) e a reclassificação de falsos positivos (por exemplo, estrelas ou bojos identificados erroneamente como aglomerados).
• Pós-processamento: As saídas brutas do modelo passaram por Supressão de Não-Máximo (NMS) com um limiar de IoU de 0,2. Caixas delimitadoras que excediam um tamanho físico de 7,30 kpc foram removidas, assim como aquelas que continham totalmente caixas menores ou que estavam localizadas fora da máscara de segmentação da galáxia ou próximas ao bojo central. Picos de fluxo dentro das caixas delimitadoras restantes foram extraídos para definir as posições precisas dos candidatos a aglomerados.

Principais Contribuições

1. Detecção de Objetos Multibanda: Os autores estenderam com sucesso a arquitetura Faster R-CNN para processar dados de imagem multibanda simultâneos (até seis canais), demonstrando que a utilização de toda a informação espectral melhora o desempenho da detecção em comparação com entradas RGB padrão ou de bandas limitadas.
2. Integração do Zoobot: O artigo demonstra a viabilidade do uso do modelo de fundação Zoobot como um extrator de características para detecção de objetos, aproveitando seu pré-treinamento em dados astronômicos reais para lidar com características específicas do domínio com um conjunto de treinamento relativamente pequeno ($\sim$3.200 imagens).
3. Tratamento Abrangente de Contaminantes: Ao treinar em um esquema multi-classe, o modelo aprende explicitamente a identificar e separar contaminantes (estrelas, galáxias de fundo, bojos) de verdadeiros aglomerados de formação estelar, uma melhoria significativa sobre os esquemas de classificação binária.
4. Catálogo de Grande Escala: A aplicação destes modelos aos conjuntos de dados HSC-SSP e CLAUDS resultou na detecção de aproximadamente 1,5 milhão de candidatos a aglomerados em $\sim$700.000 galáxias, fornecendo um catálogo público para análises futuras.

Resultos
O desempenho do modelo foi validado usando um grande conjunto de galáxias reais nas quais aglomerados de formação estelar simulados foram injetados. As simulações cobriram uma gama de propriedades físicas (massa estelar, idade, metalicidade, atenuação de poeira) e foram modeladas via forward-modeling para corresponder ao seeing e profundidade do levantamento.

• Completude e Pureza: Para aglomerados simulados mais brilhantes que os limites de profundidade de fonte pontual de $5\sigma$ dos instrumentos:
  • O modelo de 6 canais ($ugrizy$) alcançou uma completude de detecção $\gtrsim 0,9$ e uma pureza de $\gtrsim 0,8$.
  • O modelo de 5 canais ($grizy$) mostrou uma completude ligeiramente inferior (caindo $\sim$2–3% em relação ao modelo de 6 canais), mas manteve uma pureza similar ($\gtrsim 0,8$).
• Impacto dos Dados da Banda U: A inclusão dos dados da banda $u$ (de CLAUDS) melhorou significativamente a detecção de aglomerados com formação estelar muito recente, que são frequentemente mais tênues em bandas mais vermelhas. O modelo de 6 canais detectou $\sim$17% mais candidatos a aglomerados do que o modelo de 5 canais na amostra sobreposta, principalmente aqueles brilhantes no NUV.
• Métricas de Desempenho: Os modelos alcançaram alta revocação (perto de 1,0 em limiares de objectness baixos) e melhorias de precisão ao filtrar por escores de objectness. Os escores $F_1$ indicaram que o ajuste fino (fine-tuning) dos pesos do backbone geralmente produzia melhor desempenho do que o aprendizado por transferência (transfer learning) com pesos fixos, embora o aprendizado por transferência tenha mostrado sinais tardios de overfitting.
• Limitações: A completude cai para aglomerados com baixo contraste contra o fundo da galáxia ($u_{cl} - u_{bkg} \gtrsim -1$) ou aqueles localizados muito próximos ao centro da galáxia ($d_{cl} \lesssim 0,5 r_{eff}$), onde são ofuscados pelo bojo.

Significância e Alegações
Os autores afirmam que sua abordagem baseada em DL permite a detecção automatizada de aglomerados de formação estelar em grandes amostras de galáxias de baixo redshift, uma tarefa anteriormente dificultada pelas limitações da inspeção manual e algoritmos tradicionais. Ao alcançar alta completude e pureza em dados simulados, o estudo sugere que o método de detecção é robusto e que o principal fator limitante para estudos futuros é a sensibilidade dos instrumentos de observação, e não o algoritmo de detecção em si.

O artigo conclui modestamente que, embora o modelo de 5 canais seja suficiente para levantamentos de grande escala que carecem de dados da banda $u$, o modelo de 6 canais oferece um desempenho superior para identificar as regiões de formação estelar mais jovens. Os autores enfatizam que o catálogo resultante requer a aplicação cuidadosa de critérios de seleção (por exemplo, excluir galáxias de perfil de aresta, aglomerados centrais e aplicar limites de completude de massa) para análise científica. Eles observam que, embora as detecções sejam robustas fotometricamente, a confirmação espectroscópica (por exemplo, via emissão de H$\alpha$) é necessária para confirmar definitivamente a natureza de formação estelar dos candidatos.