論文の概要: StarcNet: Machine Learning for Star Cluster Identification
- arxiv url: http://arxiv.org/abs/2012.09327v1
- Date: Wed, 16 Dec 2020 23:58:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 04:27:07.491114
- Title: StarcNet: Machine Learning for Star Cluster Identification
- Title（参考訳）: StarcNet:スタークラスタ識別のための機械学習
- Authors: Gustavo Perez, Matteo Messa, Daniela Calzetti, Subhransu Maji, Dooseok
Jung, Angela Adamo, Mattia Siressi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.804465402347027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a machine learning (ML) pipeline to identify star clusters in the
multi{color images of nearby galaxies, from observations obtained with the
Hubble Space Telescope as part of the Treasury Project LEGUS (Legacy
ExtraGalactic Ultraviolet Survey). StarcNet (STAR Cluster classification
NETwork) is a multi-scale convolutional neural network (CNN) which achieves an
accuracy of 68.6% (4 classes)/86.0% (2 classes: cluster/non-cluster) for star
cluster classification in the images of the LEGUS galaxies, nearly matching
human expert performance. We test the performance of StarcNet by applying
pre-trained CNN model to galaxies not included in the training set, finding
accuracies similar to the reference one. We test the effect of StarcNet
predictions on the inferred cluster properties by comparing multi-color
luminosity functions and mass-age plots from catalogs produced by StarcNet and
by human-labeling; distributions in luminosity, color, and physical
characteristics of star clusters are similar for the human and ML classified
samples. There are two advantages to the ML approach: (1) reproducibility of
the classifications: the ML algorithm's biases are fixed and can be measured
for subsequent analysis; and (2) speed of classification: the algorithm
requires minutes for tasks that humans require weeks to months to perform. By
achieving comparable accuracy to human classifiers, StarcNet will enable
extending classifications to a larger number of candidate samples than
currently available, thus increasing significantly the statistics for cluster
studies.
- Abstract（参考訳）: 我々は,LEGUS(Legacy ExtraGalactic Ultraviolet Survey)の一環としてハッブル宇宙望遠鏡で得られた観測から,近隣銀河のマルチカラー画像中の星団を識別する機械学習(ML)パイプラインを提案する。
starcnet (star cluster classification network) は多スケール畳み込みニューラルネットワーク (cnn) であり、ヒトのエキスパート性能にほぼ匹敵する星団分類のために68.6% (4クラス)/86.0% (2クラス:クラスタ/非クラスタ)の精度を達成する。
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。
ヒトおよびml分類標本では,starcnetの光度,色,物理特性の分布が類似しているため,starcnetが生成するカタログとヒトラベルによる多色光度関数と質量分布プロットを比較して,推定されたクラスター特性に対するstarcnetの予測の影響を検証した。
MLアプローチには2つの利点がある:(1) 分類の再現可能性: MLアルゴリズムのバイアスは固定され、その後の分析のために測定できる。
人間の分類器と同等の精度を達成することで、starcnetは、現在利用可能なより多くの候補サンプルに分類を拡張できるため、クラスタ研究の統計が大幅に増加する。
関連論文リスト
- 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) - 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) - Improving Astronomical Time-series Classification via Data Augmentation
with Generative Adversarial Networks [1.2891210250935146]
本稿では,GAN(Generative Adrial Networks)に基づくデータ拡張手法を提案する。
変動星の分類精度は、合成データによるトレーニングや実データによるテストで著しく向上する。
論文 参考訳（メタデータ） (2022-05-13T16:39:54Z) - Detection of extragalactic Ultra-Compact Dwarfs and Globular Clusters
using Explainable AI techniques [1.3764085113103222]
銀河を取り巻く超コンパクト小星(UCD)や球状星団(GC)のような小さな恒星系は、これらの銀河を形成する融合現象のトレーサーとして知られている。
ここでは、Fornax銀河団のマルチ波長イメージングデータを用いて、これらの物体を前景の星や背景銀河から6個のフィルターで分離する機械学習モデルを訓練する。
精度と93%のリコールでUDD/GCを識別でき、各特徴量%(色と角の大きさ)の重要性を反映した関連性を提供します。
論文 参考訳（メタデータ） (2022-01-05T13:37:55Z) - Automatic classification of eclipsing binary stars using deep learning
methods [0.0]
本稿では,深層学習を用いた楕円形星の自動分類に着目する。
我々の分類器は、二元星の光曲線を2つのクラスに分類するためのツールを提供する。
最高の性能の分類器は、双方向長短期記憶(LSTM)と1次元畳み込みニューラルネットワークを組み合わせることで、評価セットで98%の精度を達成した。
論文 参考訳（メタデータ） (2021-08-03T17:28:03Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳（メタデータ） (2021-04-01T13:55:21Z) - 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) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳（メタデータ） (2020-06-17T17:58:10Z) - A Classification-Based Approach to Semi-Supervised Clustering with
Pairwise Constraints [5.639904484784126]
対制約付き半教師付きクラスタリングのためのネットワークフレームワークを提案する。
既存のアプローチとは対照的に、SSCを2つの単純な分類タスク/ステージに分解する。
提案手法であるS3C2は、二項分類がマルチクラスクラスタリングよりも容易であるという観察から動機づけられている。
論文 参考訳（メタデータ） (2020-01-18T20:13:07Z)
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。