Fugu-MT 論文翻訳(概要): Galaxy Morphology Classification using EfficientNet Architectures

論文の概要: Galaxy Morphology Classification using EfficientNet Architectures

arxiv url: http://arxiv.org/abs/2008.13611v2
Date: Wed, 24 Mar 2021 04:53:52 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 07:02:13.252149
Title: Galaxy Morphology Classification using EfficientNet Architectures
Title（参考訳）: efficientnet アーキテクチャを用いた銀河形態分類
Authors: Shreyas Kalvankar, Hrushikesh Pandit, Pranav Parwate
Abstract要約: 我々はEfficientNetsの使用法とそのGalaxy Morphology Classificationへの応用について検討する。我々は、EfficientNetsを使用して、KaggleのGalaxy Zoo 2チャレンジの79,975枚のテスト画像の投票率を予測する。我々は、効率の良いNetB5を用いて銀河を7つのクラスに分類する微調整アーキテクチャを提案する。
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 study the usage of EfficientNets and their applications to Galaxy Morphology Classification. We explore the usage of EfficientNets into predicting the vote fractions of the 79,975 testing images from the Galaxy Zoo 2 challenge on Kaggle. We evaluate this model using the standard competition metric i.e. rmse score and rank among the top 3 on the public leaderboard with a public score of 0.07765. We propose a fine-tuned architecture using EfficientNetB5 to classify galaxies into seven classes - completely round smooth, in-between smooth, cigarshaped smooth, lenticular, barred spiral, unbarred spiral and irregular. The network along with other popular convolutional networks are used to classify 29,941 galaxy images. Different metrics such as accuracy, recall, precision, F1 score are used to evaluate the performance of the model along with a comparative study of other state of the art convolutional models to determine which one performs the best. We obtain an accuracy of 93.7% on our classification model with an F1 score of 0.8857. EfficientNets can be applied to large scale galaxy classification in future optical space surveys which will provide a large amount of data such as the Large Synoptic Space Telescope.
Abstract（参考訳）: 我々はEfficientNetsの使用法とそのGalaxy Morphology Classificationへの応用について検討する。我々は、EfficientNetsを使用して、KaggleのGalaxy Zoo 2チャレンジの79,975枚のテスト画像の投票率を予測する。本モデルの評価は,標準競争指標であるrmseスコアを用いて実施し,公開スコア0.07765の公開リーダーボードの上位3位にランクする。我々は、効率の良いNetB5を用いて銀河を7つのクラスに分類する微調整アーキテクチャを提案する。このネットワークは、他の一般的な畳み込みネットワークと共に29,941個の銀河画像の分類に用いられる。モデルのパフォーマンスを評価するために、精度、リコール、精度、f1スコアなどの異なる指標を使用し、どのモデルが最善を尽くしているかを決定するために、他のコンボリューションモデルの状態を比較研究する。分類モデルの精度は93.7%で、F1スコアは0.8857である。効率的なネットは、将来の光学宇宙探査における大規模な銀河分類に適用でき、大シン視宇宙望遠鏡のような大量のデータを提供する。

関連論文リスト

Few-Class Arena: A Benchmark for Efficient Selection of Vision Models and Dataset Difficulty Measurement [4.197377031038214]
Few-Class Arena (FCA) は、少数のクラスで効率的な画像分類モデルをテストするための統一ベンチマークである。 FCAは、Few-Class Regimeで効率的な機械学習のための新しいツールを提供する。新しい効率的なクラス類似性の提案から、軽量なモデルアーキテクチャ設計、新しいスケーリング法則まで幅広い目標がある。
論文参考訳（メタデータ） (2024-11-02T01:31:47Z)
ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders [104.05133094625137]
完全畳み込み型マスク付きオートエンコーダフレームワークと,新たなグローバル応答正規化層を提案する。この自己教師付き学習技術とアーキテクチャ改善の共設計により、純粋なConvNetの性能を大幅に向上させるConvNeXt V2と呼ばれる新しいモデルファミリが生まれる。
論文参考訳（メタデータ） (2023-01-02T18:59:31Z)
EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
論文参考訳（メタデータ） (2022-06-21T17:59:56Z)
ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
論文参考訳（メタデータ） (2021-10-10T09:35:15Z)
Greedy Network Enlarging [53.319011626986004]
本稿では,計算のリアルタイム化に基づくグリーディ・ネットワーク拡大手法を提案する。異なる段階の計算をステップバイステップで修正することで、拡張されたネットワークはMACの最適な割り当てと利用を提供する。 GhostNetへの我々の手法の適用により、最先端の80.9%と84.3%のImageNet Top-1アキュラシーを実現する。
論文参考訳（メタデータ） (2021-07-31T08:36:30Z)
Overhead-MNIST: Machine Learning Baselines for Image Classification [0.0]
23の機械学習アルゴリズムをトレーニングし、ベースライン比較メトリクスを確立する。 Overhead-MNISTデータセットは、ユビキタスなMNISTの手書き桁に似たスタイルの衛星画像の集合である。本稿では,エッジの展開性および今後の性能向上のためのベースラインとして,全体的な性能向上アルゴリズムについて述べる。
論文参考訳（メタデータ） (2021-07-01T13:30:39Z)
Morphological classification of compact and extended radio galaxies using convolutional neural networks and data augmentation techniques [0.0]
この研究は、FIRST (Faint Images of the Radio Sky at Twenty Centimeters) からのアーカイブデータを用いて、電波銀河を4つのクラスに分類する。この研究で示されたモデルは、畳み込みニューラルネットワーク(CNN)に基づいている。本モデルでは,精度,リコール,F1スコアの平均96%の独立したテストサブセットを用いて,選択した電波源のクラスを分類した。
論文参考訳（メタデータ） (2021-07-01T11:53:18Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
Morphological classification of astronomical images with limited labelling [0.0]
本稿では, 対向オートエンコーダ(AAE)モデルの能動的学習に基づく, 銀河形態分類の効果的な半教師付き手法を提案する。 2値分類問題(Galaxy Zoo 2決定木のトップレベル問題)では、わずか0.86万のマークアップアクションで、テスト部分で93.1%の精度を達成した。マークアップ精度が95.5%のベストモデルです。
論文参考訳（メタデータ） (2021-04-27T19:26:27Z)
Robust Pollen Imagery Classification with Generative Modeling and Mixup Training [0.0]
本論文では,花粉の航空画像分類を一般化できる,堅牢な深層学習フレームワークを提案する。我々は,畳み込みニューラルネットワークを用いた花粉の粒度分類手法を開発し,ディープラーニングのベストプラクティスを組み合わせることで,より一般化する。提案されたアプローチは、ICPR-2020 Pollen Grain Classification Challengeの最終ランキングで4位となった。
論文参考訳（メタデータ） (2021-02-25T19:39:24Z)
Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文参考訳（メタデータ） (2020-08-19T13:13:01Z)

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。