論文の概要: Study of star clusters in the M83 galaxy with a convolutional neural
network
- arxiv url: http://arxiv.org/abs/2010.11126v1
- Date: Wed, 21 Oct 2020 16:35:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 00:44:54.873110
- Title: Study of star clusters in the M83 galaxy with a convolutional neural
network
- Title(参考訳): 畳み込みニューラルネットワークを用いたm83銀河の星団の研究
- Authors: J. Bialopetravi\v{c}ius, D. Narbutis
- Abstract要約: 我々は、モッククラスタでトレーニングされた畳み込みニューラルネットワークを使用して、ハッブル宇宙望遠鏡観測で3,380のクラスタ候補を検出する。
クラスター候補のサンプルは、銀河の渦巻き腕の年齢勾配を示している。
銀河の中心付近には多数の古い星団があり、その中心から典型的な星団の大きさがわずかに増大している。
- 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 present a study of evolutionary and structural parameters of star cluster
candidates in the spiral galaxy M83. For this we use a convolutional neural
network trained on mock clusters and capable of fast identification and
localization of star clusters, as well as inference of their parameters from
multi-band images. We use this pipeline to detect 3,380 cluster candidates in
Hubble Space Telescope observations. The sample of cluster candidates shows an
age gradient across the galaxy's spiral arms, which is in good agreement with
predictions of the density wave theory and other studies. As measured from the
dust lanes of the spiral arms, the younger population of cluster candidates
peaks at the distance of $\sim$0.4 kpc while the older candidates are more
dispersed, but shifted towards $\gtrsim$0.7 kpc in the leading part of the
spiral arms. We find high extinction cluster candidates positioned in the
trailing part of the spiral arms, close to the dust lanes. We also find a large
number of dense older clusters near the center of the galaxy and a slight
increase of the typical cluster size further from the center.
- Abstract(参考訳): 本稿では、渦巻銀河m83における星団候補の進化的および構造的パラメータの研究を行う。
このために私たちは、モッククラスタでトレーニングされた畳み込みニューラルネットワークを使用して、星団の高速な識別とローカライゼーション、およびマルチバンド画像からのパラメータの推測を可能にします。
我々はこのパイプラインを用いてハッブル宇宙望遠鏡の3,380個のクラスター候補を検出する。
クラスター候補のサンプルは銀河の渦巻き腕の年齢勾配を示し、これは密度波理論やその他の研究の予測とよく一致している。
スパイラルアームのダストレーンから測定すると、クラスター候補の若い集団は$\sim$0.4 kpcの距離でピークに達するが、古い候補はもっと分散しているが、スパイラルアームの先頭部分では$\gtrsim$0.7 kpcに移動する。
砂塵線に近いスパイラルアームの後部に位置する高い絶滅率のクラスター候補が見つかった。
また、銀河の中心付近には多数の古い星団があり、その中心から典型的な星団の大きさがわずかに増大している。
関連論文リスト
- Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。
二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
論文 参考訳(メタデータ) (2024-11-04T04:09:36Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳(メタデータ) (2023-08-13T18:12:28Z) - Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。
ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。
クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。
ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
論文 参考訳(メタデータ) (2023-05-28T15:33:24Z) - High-dimensional Clustering onto Hamiltonian Cycle [30.17605416237686]
クラスタリングは、類似性に基づいてアンラベリングされたサンプルをグループ化することを目的としている。
本稿では,ハミルトンサイクル上での高次元クラスタリングという新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-27T20:59:45Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳(メタデータ) (2022-10-09T02:31:32Z) - Geometrical Homogeneous Clustering for Image Data Reduction [2.290085549352983]
そこで本研究では,データセットサイズを削減するため,同種クラスタリングアルゴリズムという従来手法の新たなバリエーションを提案する。
我々は、MNIST、CIFAR10、Fashion-MNISTの3つのデータセットで4つの変種を実験した。
GHCIDRの精度は99.35%、81.10%、91.66%で、トレーニングデータの減少率は87.27%、32.34%、76.80%であった。
論文 参考訳(メタデータ) (2022-08-27T19:42:46Z) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳(メタデータ) (2022-06-01T09:51:38Z) - StarcNet: Machine Learning for Star Cluster Identification [21.804465402347027]
StarcNetは畳み込みニューラルネットワーク(CNN)であり、LEGUS銀河の画像における星団分類の精度は68.6%(4クラス)/86.0%(2クラス:クラスター/クラスター)で、人間の専門家のパフォーマンスとほぼ一致する。
我々は、トレーニングセットに含まれない銀河に事前訓練されたcnnモデルを適用することで、starcnetの性能をテストする。
恒星団の光度、色、物理的特性は、ヒトおよびml分類標本に類似している。
論文 参考訳(メタデータ) (2020-12-16T23:58:01Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳(メタデータ) (2020-10-22T15:58:35Z) - Spectral Clustering with Smooth Tiny Clusters [14.483043753721256]
本稿では,データのスムーズさを初めて考慮した新しいクラスタリングアルゴリズムを提案する。
私たちのキーとなるアイデアは、スムーズなグラフを構成する小さなクラスタをクラスタ化することです。
本稿では,マルチスケールな状況に着目するが,データのスムーズさの考え方はどのクラスタリングアルゴリズムにも確実に拡張できる。
論文 参考訳(メタデータ) (2020-09-10T05:21:20Z) - Multi-layered characterization of hot stellar systems with confidence [7.219077740523683]
ミゲルとヒルカーのホットステラーシステム13456において,12763個の球状クラスターを含むデータセットについて検討した。
提案手法は,8つの同種楕円体群を最も微細な部分群レベルで抽出した。
我々の分析は、HSSの物理的および進化的特性に関する新しい知見を提供し、また、候補球状クラスターの物理的および進化的特性を理解するのに役立つ。
論文 参考訳(メタデータ) (2020-03-12T13:12:14Z)
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。