論文の概要: DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2004.11981v1
• Date: Fri, 24 Apr 2020 20:36:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 04:27:24.754721
• Title: DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural Networks
• Title（参考訳）: DeepMerge: ディープニューラルネットワークによるハイリシフトマージギャラクシーの分類
• Authors: A. \'Ciprijanovi\'c, G. F. Snyder, B. Nord, J. E. G. Peek
• Abstract要約: シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。 我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。 CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
• 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: We investigate and demonstrate the use of convolutional neural networks (CNNs) for the task of distinguishing between merging and non-merging galaxies in simulated images, and for the first time at high redshifts (i.e. $z=2$). We extract images of merging and non-merging galaxies from the Illustris-1 cosmological simulation and apply observational and experimental noise that mimics that from the Hubble Space Telescope; the data without noise form a "pristine" data set and that with noise form a "noisy" data set. The test set classification accuracy of the CNN is $79\%$ for pristine and $76\%$ for noisy. The CNN outperforms a Random Forest classifier, which was shown to be superior to conventional one- or two-dimensional statistical methods (Concentration, Asymmetry, the Gini, $M_{20}$ statistics etc.), which are commonly used when classifying merging galaxies. We also investigate the selection effects of the classifier with respect to merger state and star formation rate, finding no bias. Finally, we extract Grad-CAMs (Gradient-weighted Class Activation Mapping) from the results to further assess and interrogate the fidelity of the classification model.
• Abstract（参考訳）: 本研究では,畳み込みニューラルネットワーク(cnns)を用いて,シミュレーション画像における融合銀河と非融合銀河の区別と,高赤方偏移(すなわち$z=2$)での観測を行った。 我々は、Illustris-1の宇宙シミュレーションから融合銀河と非融合銀河の画像を抽出し、ハッブル宇宙望遠鏡を模した観測および実験ノイズを適用し、ノイズのないデータは「原始」データセットとなり、ノイズのあるものは「ノイズ」データセットとなる。 CNNのテストセットの分類精度は、プリスタンが79\%、ノイズが76\%である。 cnnはランダム・フォレスト分類器よりも優れており、従来の1次元または2次元の統計方法(集中、非対称性、gini、$m_{20}$統計など)よりも優れていることが示されている。 また,統合状態と星形成率に対する分類器の選択効果についても検討し,偏りはみられなかった。 最後に,評価結果から grad-cams (gradient-weighted class activation mapping) を抽出し,分類モデルの信頼性をさらに評価し,問合せする。

関連論文リスト

• Bayesian and Convolutional Networks for Hierarchical Morphological Classification of Galaxies [1.474723404975345]
  この研究は、ハッブル系列に続く銀河の形態的分類に焦点をあて、異なるクラスが階層構造に配置されている。 提案手法である BCNN は2つの主モジュールから構成される。 BCNNは複数の評価尺度において複数のCNNよりも優れており、その次のスコアは67%の正確な一致、78%の精度、83%の階層的なF測定であった。
  論文  参考訳（メタデータ） (2024-05-03T06:48:53Z)
• E(2) Equivariant Neural Networks for Robust Galaxy Morphology Classification [0.0]
  我々は、Galaxy10 DECalsデータセット上で$E(2)$の離散サブグループに同値なGCNNを訓練し、検証し、テストする。 D_16$に同値なアーキテクチャは、テストセットの精度が9,5.52 pm 0.18%である。 全てのGCNNは、同一に構築されたCNNよりも1ピクセルの摂動の影響を受けにくい。
  論文  参考訳（メタデータ） (2023-11-02T18:00:02Z)
• Morphological Classification of Radio Galaxies using Semi-Supervised Group Equivariant CNNs [0.0]
  推定数兆個の銀河のうち、約100万個のみが電波で検出されている。 本稿では,Farioff-Riley Type I (FRI)とFRII Type II (FRII)に分類するために,半教師付き学習手法を用いる。 The Group Equivariant Convolutional Neural Network (G-CNN) was used as an encoder of the state-of-the-the-art self-supervised method SimCLR and BYOL。
  論文  参考訳（メタデータ） (2023-05-31T06:50:32Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• DeepSZ: Identification of Sunyaev-Zel'dovich Galaxy Clusters using Deep Learning [5.295349225662439]
  Sunyaev Zel'dovich(SZ)効果から同定された銀河クラスターは、マルチ波長クラスターベースの宇宙論において重要な要素である。 本稿では、SZクラスタ探索における標準マッチングフィルタ(MF)法と畳み込みニューラルネットワーク(CNN)を用いた手法の2つのクラスタ同定法の比較について述べる。
  論文  参考訳（メタデータ） (2021-02-25T19:01:00Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。