論文の概要: A Comparison of Deep Learning Architectures for Optical Galaxy
Morphology Classification
- arxiv url: http://arxiv.org/abs/2111.04353v1
- Date: Mon, 8 Nov 2021 09:19:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 22:32:02.543281
- Title: A Comparison of Deep Learning Architectures for Optical Galaxy
Morphology Classification
- Title(参考訳): 光銀河形態分類のためのディープラーニングアーキテクチャの比較
- Authors: Ezra Fielding, Clement N. Nyirenda, Mattia Vaccari
- Abstract要約: 本稿では、光学銀河形態分類に最も適したパターンを決定するために、ディープラーニングアーキテクチャの比較を行う。
DenseNet121は、正確なトレーニング時間で最高の結果が得られることが判明した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The classification of galaxy morphology plays a crucial role in understanding
galaxy formation and evolution. Traditionally, this process is done manually.
The emergence of deep learning techniques has given room for the automation of
this process. As such, this paper offers a comparison of deep learning
architectures to determine which is best suited for optical galaxy morphology
classification. Adapting the model training method proposed by Walmsley et al
in 2021, the Zoobot Python library is used to train models to predict Galaxy
Zoo DECaLS decision tree responses, made by volunteers, using EfficientNet B0,
DenseNet121 and ResNet50 as core model architectures. The predicted results are
then used to generate accuracy metrics per decision tree question to determine
architecture performance. DenseNet121 was found to produce the best results, in
terms of accuracy, with a reasonable training time. In future, further testing
with more deep learning architectures could prove beneficial.
- Abstract(参考訳): 銀河形態学の分類は、銀河の形成と進化を理解する上で重要な役割を果たしている。
伝統的に、このプロセスは手動で行われる。
ディープラーニング技術の出現は、このプロセスの自動化に余地を与えている。
そこで,本論文では,光学銀河形態分類に最も適するものを決定するために,深層学習アーキテクチャの比較を行う。
2021年にWalmsleyらによって提案されたモデルトレーニング手法に適応して、Zoobot Pythonライブラリは、コアモデルアーキテクチャとしてEfficientNet B0、DenseNet121、ResNet50を使用して、ボランティアによって作成されたGalaxy Zoo DECaLS決定ツリー応答を予測するモデルをトレーニングするために使用される。
予測結果は、決定ツリーの質問ごとに正確なメトリクスを生成し、アーキテクチャのパフォーマンスを決定するために使用される。
DenseNet121は、正確なトレーニング時間で最高の結果が得られることが判明した。
将来的には、より深い学習アーキテクチャによるさらなるテストが有効だろう。
関連論文リスト
- Optimizing Dense Feed-Forward Neural Networks [0.0]
本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。
提案手法では,パラメータ数を70%以上圧縮できる。
また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
論文 参考訳(メタデータ) (2023-12-16T23:23:16Z) - Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。
標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。
サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
論文 参考訳(メタデータ) (2022-10-12T06:49:16Z) - FlowNAS: Neural Architecture Search for Optical Flow Estimation [65.44079917247369]
本研究では,フロー推定タスクにおいて,より優れたエンコーダアーキテクチャを自動で見つけるために,FlowNASというニューラルアーキテクチャ探索手法を提案する。
実験の結果、スーパーネットワークから受け継いだ重み付きアーキテクチャは、KITTI上で4.67%のF1-allエラーを達成していることがわかった。
論文 参考訳(メタデータ) (2022-07-04T09:05:25Z) - Classification of Quasars, Galaxies, and Stars in the Mapping of the
Universe Multi-modal Deep Learning [0.0]
Sloan Digital Sky Survey (SDSS-4)の第4バージョンであるData Release 16データセットは、SDSSデータセットを、マシンラーニングとディープラーニングアーキテクチャを使用して、銀河、星、クエーサーに分類するために使用された。
我々は、新しいマルチモーダルアーキテクチャを構築し、最先端の結果を得る。
論文 参考訳(メタデータ) (2022-05-22T05:17:31Z) - Revisiting Facial Key Point Detection: An Efficient Approach Using Deep
Neural Networks [0.0]
モデルサイズ,パラメータ,推論時間の観点から,効率的なディープラーニングモデルを構築した。
MobileNetV2アーキテクチャは最低のRMSEと推論時間を生み出した。
手動で最適化されたCNNアーキテクチャは、Auto Kerasのチューニングアーキテクチャと同様に実行された。
論文 参考訳(メタデータ) (2022-05-14T19:49:03Z) - Guided Sampling-based Evolutionary Deep Neural Network for Intelligent
Fault Diagnosis [8.92307560991779]
我々は、モデルアーキテクチャの進化を導くためにポリシー勾配を利用する進化的ディープニューラルネットワークの新しいフレームワークを提案してきた。
提案フレームワークの有効性を3つのデータセットで検証した。
論文 参考訳(メタデータ) (2021-11-12T18:59:45Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - On the Exploitation of Neuroevolutionary Information: Analyzing the Past
for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。
本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文 参考訳(メタデータ) (2021-05-26T20:55:29Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳(メタデータ) (2020-07-24T17:06:55Z) - Learning to Rank Learning Curves [15.976034696758148]
本稿では,トレーニングの早い段階で,構成不良を解消し,計算予算を削減できる新しい手法を提案する。
我々は,学習曲線を観測することなく,学習曲線を効果的にランク付けできることを示す。
論文 参考訳(メタデータ) (2020-06-05T10:49:52Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳(メタデータ) (2020-05-14T09:02:33Z)
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。