Fugu-MT 論文翻訳(概要): Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images

論文の概要: Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images

arxiv url: http://arxiv.org/abs/2211.00397v1
Date: Tue, 1 Nov 2022 11:43:21 GMT
ステータス: 処理完了
システム内更新日: 2022-11-02 15:04:58.052805
Title: Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images
Title（参考訳）: 銀河分類:Sloan Digital Sky Survey画像の分類のためのディープラーニングアプローチ
Authors: Sarvesh Gharat and Yogesh Dandawate
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.6445605125467573
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent decades, large-scale sky surveys such as Sloan Digital Sky Survey (SDSS) have resulted in generation of tremendous amount of data. The classification of this enormous amount of data by astronomers is time consuming. To simplify this process, in 2007 a volunteer-based citizen science project called Galaxy Zoo was introduced, which has reduced the time for classification by a good extent. However, in this modern era of deep learning, automating this classification task is highly beneficial as it reduces the time for classification. For the last few years, many algorithms have been proposed which happen to do a phenomenal job in classifying galaxies into multiple classes. But all these algorithms tend to classify galaxies into less than six classes. However, after considering the minute information which we know about galaxies, it is necessary to classify galaxies into more than eight classes. In this study, a neural network model is proposed so as to classify SDSS data into 10 classes from an extended Hubble Tuning Fork. Great care is given to disc edge and disc face galaxies, distinguishing between a variety of substructures and minute features which are associated with each class. The proposed model consists of convolution layers to extract features making this method fully automatic. The achieved test accuracy is 84.73 per cent which happens to be promising after considering such minute details in classes. Along with convolution layers, the proposed model has three more layers responsible for classification, which makes the algorithm consume less time.
Abstract（参考訳）: 近年では、sloan digital sky survey(sdss)のような大規模なスカイサーベイが、膨大な量のデータを生み出している。天文学者による膨大なデータの分類には時間がかかります。このプロセスを単純化するため、2007年にギャラクシー動物園と呼ばれるボランティアベースの市民科学プロジェクトが導入され、分類の時間がかなり短縮された。しかし、現代のディープラーニングでは、分類の時間を短縮するため、この分類タスクの自動化は極めて有益である。過去数年間、銀河を複数のクラスに分類する驚くべき仕事をする多くのアルゴリズムが提案されてきた。しかし、これらのアルゴリズムは銀河を6種類未満に分類する傾向がある。しかし、我々が銀河について知っている微妙な情報を考えると、銀河を8種類以上に分類する必要がある。本研究では,拡張した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。ディスクエッジ銀河とディスクフェイス銀河には大きな注意が払われ、それぞれのクラスに関連付けられた様々なサブ構造と微小な特徴を区別する。この手法を完全自動化する特徴を抽出するための畳み込み層からなるモデルを提案する。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慮すると期待できる。畳み込みレイヤに加えて、提案されたモデルには、分類に責任を持つ3つのレイヤがあるため、アルゴリズムの消費時間が短縮される。

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)
Class Gradient Projection For Continual Learning [99.105266615448]
破滅的な忘れは継続的学習(CL)における最も重要な課題の1つです。タスクではなく個々のクラスから勾配部分空間を計算するクラスグラディエント・プロジェクション(CGP)を提案する。
論文参考訳（メタデータ） (2023-11-25T02:45:56Z)
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)
Class-Incremental Learning: A Survey [84.30083092434938]
CIL(Class-Incremental Learning)は、学習者が新しいクラスの知識を段階的に取り入れることを可能にする。 CILは、前者の特徴を壊滅的に忘れる傾向にあり、その性能は劇的に低下する。ベンチマーク画像分類タスクにおける17の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
論文参考訳（メタデータ） (2023-02-07T17:59:05Z)
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)
The Classification of Optical Galaxy Morphology Using Unsupervised Learning Techniques [0.0]
教師なし学習技術は、データを分類するために既存のラベルを必要としない。本稿では,Galaxy Zoo DECaLSデータセットを人間の監督なしに分類するために,教師なし学習アルゴリズムを実装することを目的とする。
論文参考訳（メタデータ） (2022-06-13T13:52:07Z)
Morphological Classification of Galaxies in S-PLUS using an Ensemble of Convolutional Networks [0.0]
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。
論文参考訳（メタデータ） (2021-07-05T21:51:19Z)
GistNet: a Geometric Structure Transfer Network for Long-Tailed Recognition [95.93760490301395]
長い尾の認識は、クラスごとのサンプル数が非常にアンバランスである問題です。 GistNetは、クラスジオメトリをエンコードするために分類パラメータのコンステレーションを使用して、この目標をサポートするように提案されている。新しい学習アルゴリズムがGeometrIc Structure Transfer (GIST) に提案され、クラスバランスとランダムサンプリングを組み合わせた損失関数の組み合わせにより、一般的なクラスに過度に適合することは幾何パラメータに制限されるが、人気クラスから少数ショットクラスへのクラス幾何学の転送に利用される。
論文参考訳（メタデータ） (2021-05-01T00:37:42Z)
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)
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)
AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。