Skalierungsgesetze, die für ImageNet-ähnliche Datensätze gelten, lassen sich auch auf Galaxiebilder übertragen. Das Hinzufügen von annotierten Galaxiebildern führt zu einer konsistenten Leistungssteigerung über alle Architekturen und Aufgaben hinweg, während das Hinzufügen von trainierbaren Parametern nur für einige (typischerweise subjektiv anspruchsvollere) Aufgaben effektiv ist. Die zusätzliche Vorverarbeitung mit zuvor annotierten Datensätzen aus demselben Bereich, gefolgt vom Finetuning auf neue Aufgaben, führt zu deutlich effizienteren und leistungsfähigeren Modellen als die alleinige Vorverarbeitung auf ImageNet.
Ein effizientes Framework auf Basis eines hierarchischen visuellen Transformers mit einer Gleitfenster-Technik wurde entwickelt, um starke Gravitationslinsen in Bildern mit beliebiger Anzahl von Kanälen zu identifizieren.
Wir stellen einen neuartigen sektorbasierten Ansatz zur Stern-Galaxie-Klassifizierung vor, der eine leistungsfähige und kostengünstige Lösung für die Analyse astronomischer Daten bietet.