August
2026
•
2026A&A...712A.207E
Authors
•
Euclid Collaboration
•
Xu, X.
•
Chen, R.
•
Li, T.
•
Cooray, A. R.
•
Schuldt, S.
•
Acevedo Barroso, J. A.
•
Stern, D.
•
Scott, D.
•
Meneghetti, M.
•
Despali, G.
•
Chopra, J.
•
Cao, Y.
•
Cheng, M.
•
Buda, J.
•
Zhang, J.
•
Furumizo, J.
•
Valencia, R.
•
Jiang, Z.
•
Tortora, C.
•
Lines, N. E. P.
•
Collett, T. E.
•
Fotopoulou, S.
•
Galan, A.
•
Manjón-García, A.
•
Gavazzi, R.
•
Iwamoto, L.
•
Kruk, S.
•
Millon, M.
•
Nugent, P.
•
Saulder, C.
•
Sluse, D.
•
Wilde, J.
•
Walmsley, M.
•
Courbin, F.
•
Metcalf, R. B.
•
Altieri, B.
•
Amara, A.
•
Andreon, S.
•
Auricchio, N.
•
Baccigalupi, C.
•
Baldi, M.
•
Balestra, A.
•
Bardelli, S.
•
Battaglia, P.
•
Bender, R.
•
Biviano, A.
•
Branchini, E.
•
Brescia, M.
•
Camera, S.
•
Capobianco, V.
•
Carbone, C.
•
Cardone, V. F.
•
Carretero, J.
•
Casas, S.
•
Castellano, M.
•
Castignani, G.
•
Cavuoti, S.
•
Cimatti, A.
•
Colodro-Conde, C.
•
Congedo, G.
•
Conselice, C. J.
•
Conversi, L.
•
Copin, Y.
•
Courtois, H. M.
•
Cropper, M.
•
Da Silva, A.
•
Degaudenzi, H.
•
De Lucia, G.
•
Dolding, C.
•
Dole, H.
•
Dubath, F.
•
Dupac, X.
•
Dusini, S.
•
Escoffier, S.
•
Farina, M.
•
Farinelli, R.
•
Farrens, S.
•
Ferriol, S.
•
Finelli, F.
•
Fosalba, P.
•
Frailis, M.
•
Franceschi, E.
•
Fumana, M.
•
Galeotta, S.
•
George, K.
•
Gillard, W.
•
Gillis, B.
•
Giocoli, C.
•
Gómez-Alvarez, P.
•
Gracia-Carpio, J.
•
Grazian, A.
•
Grupp, F.
•
Haugan, S. V. H.
•
Holmes, W.
•
Hormuth, F.
•
Hornstrup, A.
•
Jahnke, K.
•
Jhabvala, M.
•
Joachimi, B.
•
Kermiche, S.
•
Kiessling, A.
•
Kubik, B.
•
Kümmel, M.
•
Kunz, M.
•
Kurki-Suonio, H.
•
Le Brun, A. M. C.
•
Ligori, S.
•
Lilje, P. B.
•
Lindholm, V.
•
Lloro, I.
•
Mainetti, G.
•
Maiorano, E.
•
Mansutti, O.
•
Marcin, S.
•
Marggraf, O.
•
Martinelli, M.
•
Martinet, N.
•
Marulli, F.
•
Massey, R. J.
•
Medinaceli, E.
•
Mei, S.
•
Melchior, M.
•
Merlin, E.
•
Meylan, G.
•
Mora, A.
•
Moresco, M.
•
Moscardini, L.
•
Nakajima, R.
•
Neissner, C.
•
Nichol, R. C.
•
Niemi, S.-M.
•
Nightingale, J. W.
•
Padilla, C.
•
Paltani, S.
•
Pasian, F.
•
Pedersen, K.
•
Percival, W. J.
•
Pettorino, V.
•
Polenta, G.
•
Poncet, M.
•
Popa, L. A.
•
Raison, F.
•
Renzi, A.
•
Rhodes, J.
•
Riccio, G.
•
Romelli, E.
•
Roncarelli, M.
•
Saglia, R.
•
Sakr, Z.
•
Sapone, D.
•
Schirmer, M.
•
Schneider, P.
•
Schrabback, T.
•
Secroun, A.
•
Seidel, G.
•
Sihvola, E.
•
Simon, P.
•
Sirignano, C.
•
Sirri, G.
•
Stanco, L.
•
Tallada-Crespí, P.
•
Taylor, A. N.
•
Tereno, I.
•
Tessore, N.
•
Toft, S.
•
Toledo-Moreo, R.
•
Torradeflot, F.
•
Tutusaus, I.
•
Valenziano, L.
•
Valiviita, J.
•
Vassallo, T.
•
Verdoes Kleijn, G.
•
Veropalumbo, A.
•
Wang, Y.
•
Weller, J.
•
Zacchei, A.
•
Zamorani, G.
•
Zerbi, F. M.
•
Zucca, E.
•
Ballardini, M.
•
Bolzonella, M.
•
Burigana, C.
•
Cabanac, R.
•
Calabrese, M.
•
Cappi, A.
•
Castro, T.
•
Escartin Vigo, J. A.
•
Gabarra, L.
•
Hemmati, S.
•
Macias-Perez, J.
•
Maoli, R.
•
Martín-Fleitas, J.
•
Mauri, N.
•
Monaco, P.
•
Nucita, A. A.
•
Pezzotta, A.
•
Pöntinen, M.
•
Risso, I.
•
Scottez, V.
•
Sereno, M.
•
Tenti, M.
•
Tucci, M.
•
Viel, M.
•
Wiesmann, M.
•
Akrami, Y.
•
Andika, I. T.
•
Angora, G.
•
Anselmi, S.
•
Archidiacono, M.
•
Atrio-Barandela, F.
•
Bazzanini, L.
•
Bergamini, P.
•
Bertacca, D.
•
Bethermin, M.
•
Beutler, F.
•
Blot, L.
•
Borgani, S.
•
Brown, M. L.
•
Bruton, S.
•
Calabro, A.
•
Camacho Quevedo, B.
•
Caro, F.
•
Carvalho, C. S.
•
Cogato, F.
•
Conseil, S.
•
Cucciati, O.
•
Davini, S.
•
Desprez, G.
•
Díaz-Sánchez, A.
•
Di Domizio, S.
•
Diego, J. M.
•
Duc, P.-A.
•
Duret, V.
•
Elkhashab, M. Y.
•
Enia, A.
•
Fang, Y.
•
Finoguenov, A.
•
Franco, A.
•
Ganga, K.
•
Gasparetto, T.
•
Gaztanaga, E.
•
Giacomini, F.
•
Gianotti, F.
•
Gozaliasl, G.
•
Guidi, M.
•
Gutierrez, C. M.
•
Hall, A.
•
Hernández-Monteagudo, C.
•
Hildebrandt, H.
•
Hjorth, J.
•
Kajava, J. J. E.
•
Kang, Y.
•
Kansal, V.
•
Karagiannis, D.
•
Kiiveri, K.
•
Kim, J.
•
Kirkpatrick, C. C.
•
Lepori, F.
•
Leroy, G.
•
Lesci, G. F.
•
Lesgourgues, J.
•
Liaudat, T. I.
•
Liu, S. J.
•
Magliocchetti, M.
•
Magnier, E. A.
•
Mannucci, F.
•
Martins, C. J. A. P.
•
Maurin, L.
•
Miluzio, M.
•
Moretti, C.
•
Morgante, G.
•
Naidoo, K.
•
Navarro-Alsina, A.
•
Nesseris, S.
•
Paoletti, D.
•
Passalacqua, F.
•
Paterson, K.
•
Patrizii, L.
•
Pisani, A.
•
Potter, D.
•
Pratt, G. W.
•
Quai, S.
•
Radovich, M.
•
Rojas, K.
•
Roster, W.
•
Sacquegna, S.
•
Sahlén, M.
•
Sanders, D. B.
•
Sarpa, E.
•
Scarlata, C.
•
Schneider, A.
•
Schultheis, M.
•
Sciotti, D.
•
Sellentin, E.
•
Smith, L. C.
•
Tanidis, K.
•
Tao, C.
•
Tarsitano, F.
•
Testera, G.
•
Teyssier, R.
•
Tosi, S.
•
Troja, A.
•
Venhola, A.
•
Vergani, D.
•
Vernardos, G.
•
Verza, G.
•
Vinciguerra, S.
•
Walton, N. A.
•
Wright, A. H.
•
Yeung, H. W.
Abstract
•
We present an end-to-end, iterative pipeline for efficient identification of strong galaxy-galaxy lensing systems, applied to the Euclid Q1 imaging data. Starting from the VIS catalogues, we rejected point sources, applied a magnitude cut (IE <= 24) on the deflectors, and ran a pixel-level artefact-and-noise filter to build 96 × 96 pixel cutouts. The VIS+NISP colour composites were constructed with a VIS-anchored luminance scheme that preserves VIS morphology and NISP colour contrast. A VIS-only seed classifier supplies clear positives and typical impostors, which we used to curate a morphology-balanced negative set and augment scarce positives. Among the six compact convolutional neural networks (CNNs) that had been studied initially, the modified VGG16 (GlobalAveragePooling + 256/128 dense layers with the last nine layers trainable) exhibited the best performance. In our run, the training set grew from 27 seed lenses (augmented 67× to 1809) plus 2000 negatives to a colour dataset of 30 686 images. After three rounds of iterative fine-tuning, a human grading of the top 4000 candidates ranked by the final model yielded 441 Grade A/B candidate lensing systems, including 311 overlapping with the existing Q1 strong-lens catalogue, and 130 additional A/B candidates (9 As and 121 Bs) not previously reported. Independently, the model recovered 740 out of 905 (81.8%) candidate Q1 lenses within its top 20 000 predictions, considering off-centred samples. Candidates span IE ≃ 17--24 AB mag (median 21.3 AB mag) and are redder in YE - HE than the parent population, consistent with massive early-type deflectors. Each training iteration required about a week for a small team and the approach can easily be scaled to future wide-area Euclid releases. Subsequent works will focus on calibrating the selection function via lens injection, extending recall through uncertainty-aware active learning, and exploring multi-scale or attention-based neural networks with fast post hoc vetters that incorporate lens models into the classification.
Links
