論文の概要: Comparison of Multi-Class and Binary Classification Machine Learning Models in Identifying Strong Gravitational Lenses

• arxiv url: http://arxiv.org/abs/2002.11849v1
• Date: Thu, 27 Feb 2020 00:11:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 09:18:23.768181
• Title: Comparison of Multi-Class and Binary Classification Machine Learning Models in Identifying Strong Gravitational Lenses
• Title（参考訳）: 強重力レンズ同定におけるマルチクラスおよびバイナリ分類機械学習モデルの比較
• Authors: Hossen Teimoorinia, Robert D. Toyonaga, Sebastien Fabbro, Connor Bottrell
• Abstract要約: レンズ発見のための二値分類モデルと多値分類モデルの比較を行った。 結論として、バイナリモデルよりもマルチクラスモデルを使うことには大きなメリットはない、と結論付けます。 マルチクラス機械学習モデルを用いた簡単なレンズ探索の結果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Typically, binary classification lens-finding schemes are used to discriminate between lens candidates and non-lenses. However, these models often suffer from substantial false-positive classifications. Such false positives frequently occur due to images containing objects such as crowded sources, galaxies with arms, and also images with a central source and smaller surrounding sources. Therefore, a model might confuse the stated circumstances with an Einstein ring. It has been proposed that by allowing such commonly misclassified image types to constitute their own classes, machine learning models will more easily be able to learn the difference between images that contain real lenses, and images that contain lens imposters. Using Hubble Space Telescope (HST) images, in the F814W filter, we compare the usage of binary and multi-class classification models applied to the lens finding task. From our findings, we conclude there is not a significant benefit to using the multi-class model over a binary model. We will also present the results of a simple lens search using a multi-class machine learning model, and potential new lens candidates.
• Abstract（参考訳）: 通常、レンズ候補と非レンズを区別するために二分分類レンズフィンディングスキームが用いられる。 しかし、これらのモデルはしばしば実質的な偽陽性の分類に苦しむ。 このような偽陽性は、混み合った源、腕を持つ銀河、そして中央の源と周囲のより小さな源を含む画像によってしばしば起こる。 したがって、モデルがその条件をアインシュタイン環と混同することができる。 このような誤分類された画像タイプを独自のクラスにすることで、実際のレンズを含む画像とレンズインポスタを含む画像の違いを、機械学習モデルがより容易に学習できることが提案されている。 ハッブル宇宙望遠鏡 (hst) の画像を用いて, f814wフィルタを用いて, レンズ探索タスクに適用した二値分類モデルと多値分類モデルの比較を行った。 この結果から,バイナリモデル上でのマルチクラスモデルの利用には大きなメリットはない,という結論が得られた。 また、マルチクラス機械学習モデルを用いた簡単なレンズ探索の結果と、新しいレンズ候補の可能性についても述べる。

関連論文リスト

• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Generalized Relevance Learning Grassmann Quantization [0.0]
  イメージ集合をモデル化する一般的な方法は部分空間であり、グラスマン多様体と呼ばれる多様体を形成する。 一般化関連学習ベクトル量子化の応用を拡張して、グラスマン多様体を扱う。 本稿では,手書き文字認識,顔認識,アクティビティ認識,オブジェクト認識など,いくつかのタスクに適用する。
  論文  参考訳（メタデータ） (2024-03-14T08:53:01Z)
• Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
  我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。 以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。 データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-02-28T07:54:50Z)
• Circles: Inter-Model Comparison of Multi-Classification Problems with High Number of Classes [0.24554686192257422]
  本稿では,対話型視覚分析ツールCirclesについて,多数の分類モデルと1つの視点における1Kクラスとの視覚的モデル間比較を行う。 プロトタイプでは,9種類のモデルと1Kクラスを比較した。
  論文  参考訳（メタデータ） (2023-09-08T19:39:46Z)
• Diffusion Models Beat GANs on Image Classification [37.70821298392606]
  拡散モデルは、画像生成、復調、塗装、超解像、操作などの最先端の手法として注目されている。 本稿では,これらの埋め込みは識別情報を含むため,ノイズ予測タスクを超えて有用であり,分類にも活用できることを示す。 注意深い特徴選択とプーリングにより、拡散モデルは、分類タスクにおいて同等な生成的識別的手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-07-17T17:59:40Z)
• A One-Class Classifier for the Detection of GAN Manipulated Multi-Spectral Satellite Images [20.376706336644823]
  本稿では,Vector Quantized Variational Autoencoder 2 (VQ-VAE2) 機能に基づく一級分類器を提案する。 VQ-VAE 2 ベースの分類器は、プリスタン画像のみに基づいて訓練されているため、訓練中に使用されていないアーキテクチャにより、異なるドメインに属する画像を検出することができる。
  論文  参考訳（メタデータ） (2023-05-19T16:30:50Z)
• Exploiting Category Names for Few-Shot Classification with Vision-Language Models [78.51975804319149]
  大規模データに事前訓練された視覚言語基礎モデルは、多くの視覚的理解タスクに強力なツールを提供する。 本稿では,カテゴリ名を用いて分類ヘッドを初期化することにより,少数ショット分類の性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-11-29T21:08:46Z)
• Multi-Modal Few-Shot Object Detection with Meta-Learning-Based Cross-Modal Prompting [77.69172089359606]
  本稿では,マルチモーダルな複数ショットオブジェクト検出(FSOD)について,少数ショット視覚例とクラスセマンティック情報の両方を用いて検討する。 我々のアプローチは、(メトリックベース)メタラーニングとプロンプトベースラーニングの高レベルな概念的類似性によって動機付けられている。 提案するマルチモーダルFSODモデルを,複数の複数ショットオブジェクト検出ベンチマークで総合的に評価し,有望な結果を得た。
  論文  参考訳（メタデータ） (2022-04-16T16:45:06Z)
• Quantum Tensor Network in Machine Learning: An Application to Tiny Object Classification [39.027985567917455]
  私たちの研究では、量子スピンモデルを画像分類に適用し、この理論を小さな物体分類のシナリオに持ち込む。 最後に,実験結果から,テンソルネットワークモデルが微小物体分類問題に有効であり,最新技術に勝る可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-08T18:33:52Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。