論文の概要: Morphological Classification of Extragalactic Radio Sources Using
Gradient Boosting Methods
- arxiv url: http://arxiv.org/abs/2304.12729v2
- Date: Thu, 3 Aug 2023 08:35:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 19:48:11.434339
- Title: Morphological Classification of Extragalactic Radio Sources Using
Gradient Boosting Methods
- Title（参考訳）: 勾配ブースティング法による銀河系外電波源の形態分類
- Authors: Abdollah Masoud Darya, Ilias Fernini, Marley Vellasco, Abir Hussain
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.064612766965483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The field of radio astronomy is witnessing a boom in the amount of data
produced per day due to newly commissioned radio telescopes. One of the most
crucial problems in this field is the automatic classification of extragalactic
radio sources based on their morphologies. Most recent contributions in the
field of morphological classification of extragalactic radio sources have
proposed classifiers based on convolutional neural networks. Alternatively,
this work proposes gradient boosting machine learning methods accompanied by
principal component analysis as data-efficient alternatives to convolutional
neural networks. Recent findings have shown the efficacy of gradient boosting
methods in outperforming deep learning methods for classification problems with
tabular data. The gradient boosting methods considered in this work are based
on the XGBoost, LightGBM, and CatBoost implementations. This work also studies
the effect of dataset size on classifier performance. A three-class
classification problem is considered in this work based on the three main
Fanaroff-Riley classes: class 0, class I, and class II, using radio sources
from the Best-Heckman sample. All three proposed gradient boosting methods
outperformed a state-of-the-art convolutional neural networks-based classifier
using less than a quarter of the number of images, with CatBoost having the
highest accuracy. This was mainly due to the superior accuracy of gradient
boosting methods in classifying Fanaroff-Riley class II sources, with
3$\unicode{x2013}$4% higher recall.
- Abstract（参考訳）: 電波天文学の分野は、新しく任命された電波望遠鏡によって、1日に生成されるデータ量の増加を目撃している。
この分野で最も重要な問題の1つは、銀河系外電波源のモルフォロジーに基づく自動分類である。
銀河系外電波源の形態分類の分野での最近の貢献は、畳み込みニューラルネットワークに基づく分類器の提案である。
あるいは、畳み込みニューラルネットワークに対するデータ効率の代替として、主成分分析を伴う勾配向上機械学習手法を提案する。
近年, 表型データを用いた分類問題に対して, 深層学習における勾配促進法の有効性が示されている。
この研究で考慮された勾配向上手法は、XGBoost、LightGBM、CatBoostの実装に基づいている。
本研究は,データセットサイズが分類器の性能に及ぼす影響についても検討する。
この研究では、Best-Heckmanサンプルからの電波源を用いて、クラス0、クラスI、クラスIIの3つの主要なファナロフ・ライリークラスに基づいて、3クラス分類問題を考える。
提案された3つの勾配向上手法は、画像の4分の1未満を使用して、最先端の畳み込みニューラルネットワークベースの分類器より優れており、CatBoostが最も精度が高い。
これは主にファナロフ・ライリー級IIのソースを3$\unicode{x2013}$4%高いリコールで分類する際の勾配促進法が優れているためである。
関連論文リスト
- Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。
オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。
OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
論文 参考訳（メタデータ） (2024-02-10T12:22:31Z) - Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-13T04:16:40Z) - 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) - Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。
提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
論文 参考訳（メタデータ） (2021-12-14T08:25:24Z) - Morphological classification of compact and extended radio galaxies
using convolutional neural networks and data augmentation techniques [0.0]
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。
論文 参考訳（メタデータ） (2021-07-01T11:53:18Z) - 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) - Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。
フェースフォージェリ検出に高周波雑音を用いることを提案する。
1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。
2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文 参考訳（メタデータ） (2021-03-23T08:19:21Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。