論文の概要: Morphological Classification of Galaxies in S-PLUS using an Ensemble of Convolutional Networks

• arxiv url: http://arxiv.org/abs/2107.02287v1
• Date: Mon, 5 Jul 2021 21:51:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 05:49:37.737023
• Title: Morphological Classification of Galaxies in S-PLUS using an Ensemble of Convolutional Networks
• Title（参考訳）: 畳み込みネットワークを用いたS-PLUSの銀河の形態分類
• Authors: N. M. Cardoso, G. B. O. Schwarz, L. O. Dias, C. R. Bom, L. Sodr\'e Jr., C. Mendes de Oliveira
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The universe is composed of galaxies that have diverse shapes. Once the structure of a galaxy is determined, it is possible to obtain important information about its formation and evolution. Morphologically classifying galaxies means cataloging them according to their visual appearance and the classification is linked to the physical properties of the galaxy. A morphological classification made through visual inspection is subject to biases introduced by subjective observations made by human volunteers. For this reason, systematic, objective and easily reproducible classification of galaxies has been gaining importance since the astronomer Edwin Hubble created his famous classification method. In this work, we combine accurate visual classifications of the Galaxy Zoo project with \emph {Deep Learning} methods. The goal is to find an efficient technique at human performance level classification, but in a systematic and automatic way, for classification of elliptical and spiral galaxies. For this, a neural network model was created through an Ensemble of four other convolutional models, allowing a greater accuracy in the classification than what would be obtained with any one individual. Details of the individual models and improvements made are also described. The present work is entirely based on the analysis of images (not parameter tables) from DR1 (www.datalab.noao.edu) of the Southern Photometric Local Universe Survey (S-PLUS). In terms of classification, we achieved, with the Ensemble, an accuracy of $\approx 99 \%$ in the test sample (using pre-trained networks).
• Abstract（参考訳）: 宇宙は様々な形を持つ銀河で構成されている。 銀河の構造が決定されると、その形成と進化に関する重要な情報を得ることができる。 形態学的に分類された銀河は、その視覚的な外観に応じてそれらを分類し、分類は銀河の物理的性質と結びついている。 視覚検査による形態分類は、人間のボランティアによる主観的観察によって導入されたバイアスである。 このため、天文学者エドウィン・ハッブルが有名な分類法を考案して以来、体系的で客観的かつ容易に再現可能な銀河分類の重要性が高まっている。 本研究では,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。 目標は、人間のパフォーマンスレベル分類において効率的な手法を見つけることであるが、楕円銀河と渦巻銀河を分類するための体系的かつ自動的な方法である。 このために、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。 個々のモデルの詳細や改善点についても述べる。 本研究は、S-PLUS(Southern Photometric Local Universe Survey)のDR1(www.datalab.noao.edu)の画像解析に基づいている。 分類の面では、Ensembleでは、テストサンプル(トレーニング済みネットワークを使用して)で99$\approx 99 \%の精度を達成しました。

関連論文リスト

• 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)
• 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)
• Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images [0.6445605125467573]
  本研究では,拡張ハッブルチューニングフォークからSDSSデータを10クラスに分類するために,ニューラルネットワークモデルを提案する。 テストの精度は84.73パーセントで、クラスでこのような微妙な詳細を考えた後に期待できる。
  論文  参考訳（メタデータ） (2022-11-01T11:43:21Z)
• 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)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Emergence of Lie symmetries in functional architectures learned by CNNs [63.69764116066748]
  本研究では,自然画像の学習において,畳み込みニューラルネットワーク(CNN)の初期層における対称性の自発的発達について検討する。 私たちのアーキテクチャは、生体視覚システムの初期段階を模倣するために構築されています。
  論文  参考訳（メタデータ） (2021-04-17T13:23:26Z)
• 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)
• Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
  本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。 本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
  論文  参考訳（メタデータ） (2020-01-17T04:05:46Z)

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。