論文の概要: Morphological classification of compact and extended radio galaxies
using convolutional neural networks and data augmentation techniques
- arxiv url: http://arxiv.org/abs/2107.00385v1
- Date: Thu, 1 Jul 2021 11:53:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 13:29:06.822389
- Title: Morphological classification of compact and extended radio galaxies
using convolutional neural networks and data augmentation techniques
- Title（参考訳）: 畳み込みニューラルネットワークとデータ拡張技術を用いたコンパクト・拡張電波銀河の形態分類
- Authors: Viera Maslej-Kre\v{s}\v{n}\'akov\'a, Khadija El Bouchefry, Peter Butka
- Abstract要約: この研究は、FIRST (Faint Images of the Radio Sky at Twenty Centimeters) からのアーカイブデータを用いて、電波銀河を4つのクラスに分類する。
この研究で示されたモデルは、畳み込みニューラルネットワーク(CNN)に基づいている。
本モデルでは,精度,リコール,F1スコアの平均96%の独立したテストサブセットを用いて,選択した電波源のクラスを分類した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning techniques have been increasingly used in astronomical
applications and have proven to successfully classify objects in image data
with high accuracy. The current work uses archival data from the Faint Images
of the Radio Sky at Twenty Centimeters (FIRST) to classify radio galaxies into
four classes: Fanaroff-Riley Class I (FRI), Fanaroff-Riley Class II (FRII),
Bent-Tailed (BENT), and Compact (COMPT). The model presented in this work is
based on Convolutional Neural Networks (CNNs). The proposed architecture
comprises three parallel blocks of convolutional layers combined and processed
for final classification by two feed-forward layers. Our model classified
selected classes of radio galaxy sources on an independent testing subset with
an average of 96\% for precision, recall, and F1 score. The best selected
augmentation techniques were rotations, horizontal or vertical flips, and
increase of brightness. Shifts, zoom and decrease of brightness worsened the
performance of the model. The current results show that model developed in this
work is able to identify different morphological classes of radio galaxies with
a high efficiency and performance
- Abstract（参考訳）: 機械学習技術は天文学的な応用にますます使われてきており、画像データのオブジェクトを高精度に分類することに成功している。
現在の研究は、Fararoff-Riley Class I (FRI)、Fanaroff-Riley Class II (FRII)、Bent-Tailed (BENT)、Compact (COMPT)の4つのクラスに分類される。
この研究で示されたモデルは、畳み込みニューラルネットワーク(CNN)に基づいている。
提案アーキテクチャは,2つのフィードフォワード層による最終分類のために,並列な3つの畳み込み層からなる。
本モデルは、精度、リコール、およびf1スコアの平均96\%の独立したテストサブセット上で、選択された無線銀河源のクラスを分類した。
最良の拡張技術は回転、水平または垂直の反転、明るさの増大である。
シフト、ズーム、明るさの低下はモデルの性能を悪化させた。
この研究で開発されたモデルは、高い効率と性能で様々な形態学的分類を識別できることを示している。
関連論文リスト
- Additional Look into GAN-based Augmentation for Deep Learning COVID-19
Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。
両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。
GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文 参考訳（メタデータ） (2024-01-26T08:28:13Z) - 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) - Morphological Classification of Extragalactic Radio Sources Using
Gradient Boosting Methods [2.064612766965483]
本研究は、その形態に基づく銀河外電波源の自動分類について研究する。
あるいは、畳み込みニューラルネットワークに対するデータ効率の良い代替手段として、勾配向上機械学習手法を提案する。
3つの提案された勾配向上手法はいずれも、画像の4分の1未満を使用して最先端の畳み込みニューラルネットワークベースの分類器より優れていた。
論文 参考訳（メタデータ） (2023-04-25T11:19:47Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Overhead-MNIST: Machine Learning Baselines for Image Classification [0.0]
23の機械学習アルゴリズムをトレーニングし、ベースライン比較メトリクスを確立する。
Overhead-MNISTデータセットは、ユビキタスなMNISTの手書き桁に似たスタイルの衛星画像の集合である。
本稿では,エッジの展開性および今後の性能向上のためのベースラインとして,全体的な性能向上アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-07-01T13:30:39Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Train your classifier first: Cascade Neural Networks Training from upper
layers to lower layers [54.47911829539919]
我々は,高品質な分類器を探索するアルゴリズムとして見ることのできる,新しいトップダウン学習手法を開発した。
本研究では,自動音声認識(ASR)タスクと言語モデリングタスクについて検討した。
提案手法は,Wall Street Journal 上でのリカレントニューラルネットワーク ASR モデル,Switchboard 上での自己注意型 ASR モデル,WikiText-2 上での AWD-LSTM 言語モデルなど,一貫して改善されている。
論文 参考訳（メタデータ） (2021-02-09T08:19:49Z) - Data-Efficient Classification of Radio Galaxies [0.0]
本稿では, 深層学習手法を用いた形態学に基づく電波銀河分類の課題について検討する。
我々は、ツインネットワークに基づく数ショット学習技術と、事前訓練されたDenseNetモデルを用いたトランスファー学習技術を適用した。
我々は、ベント型銀河とFRII型銀河の最大の混同源である最高の性能モデルを用いて、92%以上の分類精度を達成した。
論文 参考訳（メタデータ） (2020-11-26T14:28:19Z) - Lightweight Single-Image Super-Resolution Network with Attentive
Auxiliary Feature Learning [73.75457731689858]
本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。
大規模データセットを用いた実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-11-13T06:01:46Z)
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。