論文の概要: Galaxy Zoo DECaLS: Detailed Visual Morphology Measurements from
Volunteers and Deep Learning for 314,000 Galaxies
- arxiv url: http://arxiv.org/abs/2102.08414v1
- Date: Tue, 16 Feb 2021 19:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 14:32:34.162706
- Title: Galaxy Zoo DECaLS: Detailed Visual Morphology Measurements from
Volunteers and Deep Learning for 314,000 Galaxies
- Title（参考訳）: Galaxy Zoo DECaLS:ボランティアによる詳細な視覚形態計測と314,000個の銀河の深層学習
- Authors: Mike Walmsley, Chris Lintott, Tobias Geron, Sandor Kruk, Coleman
Krawczyk, Kyle W. Willett, Steven Bamford, William Keel, Lee S. Kelvin, Lucy
Fortson, Karen L. Masters, Vihang Mehta, Brooke D. Simmons, Rebecca
Smethurst, Elisabeth M. Baeten, Christine Macmillan
- Abstract要約: 我々は,Dark Energy Camera Legacy Survey 画像に対する詳細な視覚形態分類である Galaxy Zoo DECaLS を提示する。
より深いDECaLS画像は、SDSS画像ではこれまで見えなかった渦巻き腕、弱い棒、潮流の特徴を呈している。
ギャラクシー動物園のボランティアは314,000の銀河に7,500万の個人分類を提供している。
- 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 Galaxy Zoo DECaLS: detailed visual morphological classifications
for Dark Energy Camera Legacy Survey images of galaxies within the SDSS DR8
footprint. Deeper DECaLS images (r=23.6 vs. r=22.2 from SDSS) reveal spiral
arms, weak bars, and tidal features not previously visible in SDSS imaging. To
best exploit the greater depth of DECaLS images, volunteers select from a new
set of answers designed to improve our sensitivity to mergers and bars. Galaxy
Zoo volunteers provide 7.5 million individual classifications over 314,000
galaxies. 140,000 galaxies receive at least 30 classifications, sufficient to
accurately measure detailed morphology like bars, and the remainder receive
approximately 5. All classifications are used to train an ensemble of Bayesian
convolutional neural networks (a state-of-the-art deep learning method) to
predict posteriors for the detailed morphology of all 314,000 galaxies. When
measured against confident volunteer classifications, the networks are
approximately 99% accurate on every question. Morphology is a fundamental
feature of every galaxy; our human and machine classifications are an accurate
and detailed resource for understanding how galaxies evolve.
- Abstract（参考訳）: 我々は、SDSS DR8フットプリント内の銀河のダークエネルギーカメラレガシー・サーベイ画像の詳細な視覚形態分類であるGalaxy Zoo DECaLSを提示する。
より深いDCaLS画像(SDSSのr=23.6 vs. r=22.2)では、スパイラルアーム、弱いバー、そしてSDSSイメージングでこれまで見えなかった潮流の特徴が示される。
DECaLS画像の深度を最大限に活用するために、ボランティアは合併やバーに対する感度を改善するために、新しい回答セットを選択する。
ギャラクシー動物園のボランティアは314,000の銀河に7,500万の個人分類を提供している。
14万の銀河は少なくとも30の分類を受けており、バーのような詳細な形態を正確に測定するには十分である。
すべての分類は、314,000個の銀河の詳細な形態を予測するためにベイズ畳み込みニューラルネットワーク(最先端の深層学習法)のアンサンブルを訓練するために使用される。
信頼できるボランティア分類に対して測定すると、ネットワークは質問ごとに約99%正確である。
私たちの人間と機械の分類は、銀河がどのように進化するかを理解するための正確で詳細なリソースです。
関連論文リスト
- Nymeria: A Massive Collection of Multimodal Egocentric Daily Motion in the Wild [66.34146236875822]
ニメリアデータセット(Nymeria dataset)は、複数のマルチモーダル・エゴセントリックなデバイスで野生で収集された、大規模で多様な、多彩な注釈付けされた人間のモーションデータセットである。
合計で399Kmを走行し、50か所にわたる264人の参加者から毎日300時間の録音を1200件記録している。
動作言語記述は、語彙サイズ6545の8.64万語で310.5K文を提供する。
論文 参考訳（メタデータ） (2024-06-14T10:23:53Z) - 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) - Deep-learning based measurement of planetary radial velocities in the
presence of stellar variability [70.4007464488724]
我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。
マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
論文 参考訳（メタデータ） (2023-04-10T18:33:36Z) - 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) - 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) - A catalog of broad morphology of Pan-STARRS galaxies based on deep
learning [0.0]
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。
論文 参考訳（メタデータ） (2020-10-12T23:20:35Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。