論文の概要: A catalog of broad morphology of Pan-STARRS galaxies based on deep learning

• arxiv url: http://arxiv.org/abs/2010.06073v1
• Date: Mon, 12 Oct 2020 23:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 08:10:12.834385
• Title: A catalog of broad morphology of Pan-STARRS galaxies based on deep learning
• Title（参考訳）: 深層学習に基づくパンスターズ銀河の広い形態のカタログ
• Authors: Hunter Goddard, Lior Shamir
• Abstract要約: 本稿では、銀河の自動的広帯域形態学アノテーションのためのデータ解析プロセスの設計と実装について述べる。 このプロセスはフィルタに基づいており、2段階の畳み込みニューラルネットワーク(CNN)分類が続く。 結果は、パンスターズ銀河のアノテーションとの比較により、精度を評価する。
• 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: Autonomous digital sky surveys such as Pan-STARRS have the ability to image a very large number of galactic and extra-galactic objects, and the large and complex nature of the image data reinforces the use of automation. Here we describe the design and implementation of a data analysis process for automatic broad morphology annotation of galaxies, and applied it to the data of Pan-STARRS DR1. The process is based on filters followed by a two-step convolutional neural network (CNN) classification. Training samples are generated by using an augmented and balanced set of manually classified galaxies. Results are evaluated for accuracy by comparison to the annotation of Pan-STARRS included in a previous broad morphology catalog of SDSS galaxies. Our analysis shows that a CNN combined with several filters is an effective approach for annotating the galaxies and removing unclean images. The catalog contains morphology labels for 1,662,190 galaxies with ~95% accuracy. The accuracy can be further improved by selecting labels above certain confidence thresholds. The catalog is publicly available.
• Abstract（参考訳）: Pan-STARRSのような自律型デジタルスカイサーベイは、非常に多くの銀河や外銀河の天体を撮影する能力があり、画像データの大規模で複雑な性質は、自動化の使用を補強する。 本稿では,銀河の自動広義形態弁別のためのデータ解析プロセスの設計と実装について述べ,パンスターズdr1のデータに適用する。 このプロセスはフィルタに基づいて、2段階畳み込みニューラルネットワーク(cnn)の分類を行う。 トレーニングサンプルは、手動で分類された銀河の強化と平衡によって生成される。 SDSS銀河の以前の広い形態素カタログに含まれるPan-STARRSのアノテーションとの比較により、精度を評価する。 解析の結果、cnnと複数のフィルターが組み合わさることで、銀河の注釈やアンダーマン像の除去に有効な方法であることが判明した。 カタログには約95%の精度で1,662,190の銀河の形態ラベルが含まれている。 信頼しきい値以上のラベルを選択することで、精度をさらに向上させることができる。 カタログは公開されている。

関連論文リスト

• Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
  深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。 本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
  論文  参考訳（メタデータ） (2024-01-25T19:05:53Z)
• Galaxy Classification: A machine learning approach for classifying shapes using numerical data [0.0]
  我々は,Galaxy Zooプロジェクトの数値データを用いて,銀河分類のための機械学習モデルを提案する。 我々のモデルは銀河の分類において高い精度を達成し、銀河の形成と進化の理解を著しく向上させる可能性を持っている。
  論文  参考訳（メタデータ） (2023-11-30T20:47:16Z)
• Spiral-Elliptical automated galaxy morphology classification from telescope images [0.40792653193642503]
  我々は、望遠鏡の銀河画像から効率的に抽出できる2つの新しい銀河形態統計、降下平均と降下分散を開発した。 我々は,Sloan Digital Sky Surveyの銀河画像データを用いて,提案した画像統計の有効性能を実証した。
  論文  参考訳（メタデータ） (2023-10-10T22:36:52Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Photometric identification of compact galaxies, stars and quasars using multiple neural networks [0.9894420655516565]
  MargNetは、恒星、クエーサー、コンパクト銀河を識別するためのディープラーニングベースの分類器である。 データの分類を直接学習し、人間の介入の必要性を最小限に抑える。 MargNetは、コンパクト銀河のみに焦点を当てた最初の分類器である。
  論文  参考訳（メタデータ） (2022-11-15T18:37:04Z)
• 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)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
  HSI分類に自己監督学習(SSL)を活用することを提案する。 最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-06-24T07:21:53Z)
• Morphological Classification of Galaxies in S-PLUS using an Ensemble of Convolutional Networks [0.0]
  我々は,Galaxy Zooプロジェクトの正確な視覚分類とemph Deep Learning手法を組み合わせる。 ニューラルネットワークモデルは、他の4つの畳み込みモデルのアンサンブルによって作成され、どの個人でも得られるものよりも、分類の精度が高い。
  論文  参考訳（メタデータ） (2021-07-05T21:51:19Z)
• 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)
• 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)

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。