論文の概要: Practical Galaxy Morphology Tools from Deep Supervised Representation Learning

• arxiv url: http://arxiv.org/abs/2110.12735v1
• Date: Mon, 25 Oct 2021 08:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 17:43:28.052866
• Title: Practical Galaxy Morphology Tools from Deep Supervised Representation Learning
• Title（参考訳）: 深層教師付き表現学習による銀河形態計測ツール
• Authors: Mike Walmsley, Anna M. M. Scaife, Chris Lintott, Michelle Lochner, Verlon Etsebeth, Tobias G\'eron, Hugh Dickinson, Lucy Fortson, Sandor Kruk, Karen L. Masters, Kameswara Bharadwaj Mantha, Brooke D. Simmons
• Abstract要約: 深層学習モデルは、銀河の意味的な意味的表現を学習する。 我々はこれらの表現を利用して、大きな銀河のサンプルを調べるのに不可欠ないくつかの実践的なタスクにおいて、既存のアプローチを上回ります。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Astronomers have typically set out to solve supervised machine learning problems by creating their own representations from scratch. We show that deep learning models trained to answer every Galaxy Zoo DECaLS question learn meaningful semantic representations of galaxies that are useful for new tasks on which the models were never trained. We exploit these representations to outperform existing approaches at several practical tasks crucial for investigating large galaxy samples. The first task is identifying galaxies of similar morphology to a query galaxy. Given a single galaxy assigned a free text tag by humans (e.g. `#diffuse'), we can find galaxies matching that tag for most tags. The second task is identifying the most interesting anomalies to a particular researcher. Our approach is 100\% accurate at identifying the most interesting 100 anomalies (as judged by Galaxy Zoo 2 volunteers). The third task is adapting a model to solve a new task using only a small number of newly-labelled galaxies. Models fine-tuned from our representation are better able to identify ring galaxies than models fine-tuned from terrestrial images (ImageNet) or trained from scratch. We solve each task with very few new labels; either one (for the similarity search) or several hundred (for anomaly detection or fine-tuning). This challenges the longstanding view that deep supervised methods require new large labelled datasets for practical use in astronomy. To help the community benefit from our pretrained models, we release our fine-tuning code zoobot. Zoobot is accessible to researchers with no prior experience in deep learning.
• Abstract（参考訳）: 天文学者は通常、スクラッチから独自の表現を作成することで、教師付き機械学習の問題を解決する。 すべての銀河動物園に答えるように訓練された深層学習モデルは、モデルが訓練されなかった新しいタスクに有用である銀河の意味的な意味表現を学ぶ。 我々はこれらの表現を利用して、大きな銀河のサンプルを調べるために不可欠ないくつかの実践的なタスクにおいて、既存のアプローチを上回ります。 最初の課題は、クエリー銀河と類似した形態の銀河を識別することである。 1つの銀河が人間の自由テキストタグ(例えば『#diffuse』)を割り当てると、ほとんどのタグに一致する銀河を見つけることができる。 第二の課題は、ある研究者にとって最も興味深い異常を特定することである。 我々のアプローチは、最も興味深い100の異常(Galaxy Zoo 2のボランティアによって判断される)を特定するのに100%正確です。 第3の課題は、少数の新しい銀河を用いて新しい課題を解決するためにモデルを適用することである。 我々の表現から微調整されたモデルは、地上画像(ImageNet)から微調整されたモデルや、ゼロから訓練されたモデルよりも、リング銀河を識別できる。 各タスクは、非常に少数の新しいラベル(類似度探索用)または数百(異常検出や微調整用)で解決する。 これは、深層教師付き手法が天文学の実用化のために新しい大きなラベル付きデータセットを必要とするという長年の見解に挑戦している。 トレーニング済みのモデルからコミュニティの利益を得るために、私たちは、微調整のコードZoobotをリリースします。 Zoobotは、ディープラーニングの経験のない研究者が利用できる。

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)
• Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
  我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。 学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
  論文  参考訳（メタデータ） (2022-11-16T16:26:48Z)
• 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)
• 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)
• Learning to Shift Attention for Motion Generation [55.61994201686024]
  ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。 以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。 この問題を克服する外挿能力を有するモーション生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-24T09:07:52Z)
• Automatic identification of outliers in Hubble Space Telescope galaxy images [0.0]
  本稿では,異常銀河画像の自動検出のための教師なし機械学習アルゴリズムについて述べる。 このアルゴリズムの銀河群への応用により、様々な外縁銀河の画像が検出された。 カタログには、自動化を使わずに識別するのが非常に難しい147のオブジェクトが含まれている。
  論文  参考訳（メタデータ） (2021-01-07T16:52:10Z)
• 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)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• In search of the weirdest galaxies in the Universe [0.0]
  ワイド銀河(Werd galaxy)は、未知または非常に珍しい特徴を持つ外層であり、通常の試料と異なる。 本研究では、2つの異なる外周検出技術を用いて、奇妙な外周銀河を探索する。 両手法ともデータから重要な特徴を抽出し,様々な種類の外れ値を見つけるために利用できることがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:00:01Z)
• 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。