通用 VLM 可以教授天文学基础模型以更好地识别星系形态

现有的天文学基础模型提供了强大的星系表示，但使其适应新的调查条件和特定于调查的形态识别任务仍然需要大量的人类监督。我们表明，基于 VLM 的 VQA 系统包含有意义的视觉语义先验，可以作为下游形态分类器的弱监督，并在有限的人类标签预算下改进形态分类。我们首先介绍了一个面向调查的 VQA 基准，涵盖两个代表性的成像方案，并评估关于星系形态问题的最先进的 VLM。结果表明，这些模型捕获了有用的形态信号和信息不确定性，但不足以可靠地取代人类注释者。受这一发现的启发，我们使用通用 VLM 作为 Zoobot 的形态学教师，Zoobot 是一种在大规模 Galaxy Zoo 注释上进行预训练的天文学基础模型。在两个调查领域和多个注释预算中，VLM 教师不断改进 Zoobot 的下游形态分类。这些结果表明，通用 VLM 提供了对天文学基础模型的补充知识，并且可以教会它在有限的人类监督下更好地识别星系形态。由此产生的管道旨在以标签高效的方式适应即将到来的大规模调查，包括维拉·C·鲁宾天文台的遗留时空调查 (LSST) 和南希·格雷斯·罗马太空望远镜。基准测试和代码可在 https://github.com/fw-ic/VLM-morphology-teacher 上公开获取。