論文の概要: DeepSZ: Identification of Sunyaev-Zel'dovich Galaxy Clusters using Deep Learning

• arxiv url: http://arxiv.org/abs/2102.13123v1
• Date: Thu, 25 Feb 2021 19:01:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 22:31:32.527162
• Title: DeepSZ: Identification of Sunyaev-Zel'dovich Galaxy Clusters using Deep Learning
• Title（参考訳）: DeepSZ:ディープラーニングを用いたSunyaev-Zel'dovich銀河クラスターの同定
• Authors: Zhen Lin, Nicholas Huang, Camille Avestruz, W. L. Kimmy Wu, Shubhendu Trivedi, Jo\~ao Caldeira, Brian Nord
• Abstract要約: Sunyaev Zel'dovich(SZ)効果から同定された銀河クラスターは、マルチ波長クラスターベースの宇宙論において重要な要素である。 本稿では、SZクラスタ探索における標準マッチングフィルタ(MF)法と畳み込みニューラルネットワーク(CNN)を用いた手法の2つのクラスタ同定法の比較について述べる。
• 参考スコア（独自算出の注目度）: 5.295349225662439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Galaxy clusters identified from the Sunyaev Zel'dovich (SZ) effect are a key ingredient in multi-wavelength cluster-based cosmology. We present a comparison between two methods of cluster identification: the standard Matched Filter (MF) method in SZ cluster finding and a method using Convolutional Neural Networks (CNN). We further implement and show results for a `combined' identifier. We apply the methods to simulated millimeter maps for several observing frequencies for an SPT-3G-like survey. There are some key differences between the methods. The MF method requires image pre-processing to remove point sources and a model for the noise, while the CNN method requires very little pre-processing of images. Additionally, the CNN requires tuning of hyperparameters in the model and takes as input, cutout images of the sky. Specifically, we use the CNN to classify whether or not an 8 arcmin $\times$ 8 arcmin cutout of the sky contains a cluster. We compare differences in purity and completeness. The MF signal-to-noise ratio depends on both mass and redshift. Our CNN, trained for a given mass threshold, captures a different set of clusters than the MF, some of which have SNR below the MF detection threshold. However, the CNN tends to mis-classify cutouts whose clusters are located near the edge of the cutout, which can be mitigated with staggered cutouts. We leverage the complementarity of the two methods, combining the scores from each method for identification. The purity and completeness of the MF alone are both 0.61, assuming a standard detection threshold. The purity and completeness of the CNN alone are 0.59 and 0.61. The combined classification method yields 0.60 and 0.77, a significant increase for completeness with a modest decrease in purity. We advocate for combined methods that increase the confidence of many lower signal-to-noise clusters.
• Abstract（参考訳）: Sunyaev Zel'dovich(SZ)効果から同定された銀河クラスターは、マルチ波長クラスターベースの宇宙論において重要な要素である。 本稿では,SZクラスタ探索における標準Matched Filter (MF)法とConvolutional Neural Networks (CNN)を用いた手法の2つを比較した。 我々はさらに 'combined' 識別子の結果を実装し、示す。 SPT-3Gライクな調査のために,複数の観測周波数のシミュレーションミリ波マップにこの手法を適用した。 方法にはいくつかの重要な違いがある。 MF法は点源とノイズのモデルを取り除くために画像前処理を必要とするが、CNN法は画像の前処理をほとんど必要としない。 さらに、CNNはモデル内のハイパーパラメータのチューニングを必要とし、入力、カットアウトされた空の画像を取る。 具体的には、cnnを使用して、8arcmin $\times$ 8arcminカットアウトがクラスタを含んでいるかどうかを分類します。 純度と完全性の違いを比較します。 MF信号対雑音比は質量と赤方偏移の両方に依存する。 我々のcnnは、与えられた質量しきい値のために訓練され、mfとは異なるクラスター群をキャプチャし、そのうちのいくつかはmf検出しきい値以下でsnrを持つ。 しかし、cnnは、クラスタがカットアウトの端付近にあるカットアウトを誤分類しがちであり、スタッガーカットアウトで緩和することができる。 この2つの手法の相補性を活用し,各手法のスコアを組み合わせることで識別を行う。 MFの純度と完全度はどちらも0.61であり、標準検出閾値を仮定している。 CNNの純度と完全性は0.59と0.61である。 組み合わせた分類法では0.60と0.77が得られ、純度はわずかに低下する。 多くの低信号対雑音クラスタの信頼性を高める組み合わせ手法を提案します。

関連論文リスト

• A Proximal Algorithm for Network Slimming [2.8148957592979427]
  畳み込みニューラルネットワーク(CNN)の一般的なチャネルプルーニング法は、CNNの訓練に段階的な降下を用いる。 我々は、CNNをスパースで正確な構造に向けて訓練するための、近位NSと呼ばれる代替アルゴリズムを開発した。 実験の結果,1ラウンドのトレーニングの後,近位NSは競争精度と圧縮性を備えたCNNが得られることがわかった。
  論文  参考訳（メタデータ） (2023-07-02T23:34:12Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Merged-GHCIDR: Geometrical Approach to Reduce Image Data [2.290085549352983]
  巨大なデータセット上でニューラルネットワークをトレーニングすることは、困難で時間を要するタスクになっている。 我々は、データセットサイズを減らすため、同種クラスタリングによる削減という、以前のアプローチの新たなバリエーションを示す。 本稿では,GHCIDR(Geometrical Homogeneous Clustering for Image Data Reduction)とMerged-GHCIDR(Merged-GHCIDR)の2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2022-09-06T16:03:15Z)
• 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)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Estimating galaxy masses from kinematics of globular cluster systems: a new method based on deep learning [7.512896457568841]
  球状星団系(GCS)の運動学から暗黒物質を含む銀河の総質量を推定できる新しい手法を提案する。 我々は、円盤と楕円銀河の数値シミュレーションから予測されるGCSの2次元の直線速度(V$)と速度分散(Sigma$)に畳み込みニューラルネットワーク(CNN)を適用した。 1チャンネルデータと2チャンネルデータの総合的精度はそれぞれ97.6%と97.8%であり、これは新しい手法が有望であることを示唆している。
  論文  参考訳（メタデータ） (2021-01-30T17:56:40Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• 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)
• DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural Networks [0.0]
  シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。 我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。 CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
  論文  参考訳（メタデータ） (2020-04-24T20:36:06Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。