红外暗云(IRDC)是在银河系温暖尘埃的明亮漫反射红外线辉光映衬下，天空中可以看到的冷尘埃和气体的暗斑块。这些巨大且富含分子的红外暗云是恒星诞生的天然场所，这也是天文学家积极研究红外暗云的主要原因之一。早期的两次空间红外任务，红外空间天文台和中段空间实验首次探测到红外暗云，但斯皮策太空望远镜上的IRAC相机，以其显著提高的灵敏度和空间分辨率彻底改变了这一领域。
天文学家一直在使用红外图像来识别和分析红外暗云的特征。亚毫米阵列和ALMA设备在可以表征冷分子气体的亚毫米波长上以高灵敏度和高分辨率运行，使天文学家能够跟踪这些新发现的源，并确定气体的温度、密度和运动，使得对这些恒星托儿所中恒星形成早期阶段的理解取得了新进展，其研究发表在《太平洋天文学会汇刊》上。制约研究的一个问题是缺乏最新红外暗云目录。
主要有三个困难：红外暗云的大小差异很大，从非常大的(大小超过一光年)到小一百多倍的，而且形状通常是不规则和模糊的，尤其是它们经常位于具有数百个其他来源的复杂区域，在银河系中寻找它们一直是一项艰巨的任务。哈佛史密森天体物理学中心天文学家Jyothish Pariu和Joe Hora刚刚完成了一个新的红外暗云目录，其中包含从IRAC红外图像中提取的18845个。
人工智能
研究使用开发的一种新计算机算法，该算法使用轮廓查找和所谓的人工智能神经网络方法。这项技术扫描云层的暗边和闭合轮廓图像，并以一种人工智能自动化的客观技术评估探测可靠性，该技术可以扩展到其他研究中使用。新红外暗云目录结果与早先的发现很好地一致，但除了发现更多红外暗云外，新目录还在低对比度区域包含更多的红外暗云，也证实(正如预期的)许多以前识别的红外暗云实际上由两个或更多较小的红外暗云组成。
在过去的十年里，计算机视觉领域已经非常成熟，许多方法和技术对天文应用都是有用的。一个例子是搜索感兴趣对象的大型成像测量，特别是当很难指定要搜索的对象特征时。研究发展了一种利用等高线搜索和人工智能卷积神经网络(CNNs)在斯皮策太空望远镜银河平面观测数据中搜索红外暗云(IRDC)的方法。红外暗云的大小、形状、方向和光学厚度可能不同，并且通常位于分子云和恒星形成的复杂发射区域附近，这使得暗云很难可靠地识别。
假阳性可能发生在没有发射的区域，而不是来自前景暗云，研究实现的轮廓查找算法在镶嵌图中发现了大多数闭合图形，并且开发了规则来过滤掉一些假阳性，然后允许人工智能卷积神经网络对它们进行分析。该方法被应用于银河系平面研究中的斯皮策太空望远镜数据，现在已经成果的建立了一个红外暗云目录，其中包括早期研究中没有包括的银河系平面其他部分。
