論文の概要: Morphological Classification of Galaxies Using SpinalNet
- arxiv url: http://arxiv.org/abs/2305.01873v1
- Date: Wed, 3 May 2023 03:20:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 16:11:50.486587
- Title: Morphological Classification of Galaxies Using SpinalNet
- Title（参考訳）: スピナルネットを用いた銀河の形態分類
- Authors: Dim Shaiakhmetov, Remudin Reshid Mekuria, Ruslan Isaev and Fatma Unsal
- Abstract要約: SpinalNetの入力セグメンテーションにより、中間層は入力の一部と前の層の出力を取得できるようになった。
Galaxy Zooデータセットに適用することで、銀河の異なるクラスやサブクラスを分類することができます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks (DNNs) with a step-by-step introduction of inputs, which
is constructed by imitating the somatosensory system in human body, known as
SpinalNet have been implemented in this work on a Galaxy Zoo dataset. The input
segmentation in SpinalNet has enabled the intermediate layers to take some of
the inputs as well as output of preceding layers thereby reducing the amount of
the collected weights in the intermediate layers. As a result of these, the
authors of SpinalNet reported to have achieved in most of the DNNs they tested,
not only a remarkable cut in the error but also in the large reduction of the
computational costs. Having applied it to the Galaxy Zoo dataset, we are able
to classify the different classes and/or sub-classes of the galaxies. Thus, we
have obtained higher classification accuracies of 98.2, 95 and 82 percents
between elliptical and spirals, between these two and irregulars, and between
10 sub-classes of galaxies, respectively.
- Abstract（参考訳）: 深層ニューラルネットワーク(DNN)は入力をステップバイステップで導入し、この研究でSpinalNetとして知られる人体の体感覚システムを模倣して構築されている。
SpinalNetの入力セグメンテーションにより、中間層は入力の一部を取り込み、前の層の出力をすることで、中間層で収集した重みの量を削減できる。
これらの結果、SpinalNetの著者らは、彼らがテストしたほとんどのDNNにおいて、エラーの顕著な削減だけでなく、計算コストの大幅な削減も達成したと報告した。
これをGalaxy Zooデータセットに適用することで、銀河の異なるクラスやサブクラスを分類することができます。
その結果、楕円銀河と渦巻銀河の間には98.2、95、82パーセント、不規則銀河と10のサブクラスの間にそれぞれ高い分類精度が得られた。
関連論文リスト
- Improved Generalization of Weight Space Networks via Augmentations [53.87011906358727]
深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用
我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。
そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
論文 参考訳（メタデータ） (2024-02-06T15:34:44Z) - SPIN: Sparsifying and Integrating Internal Neurons in Large Language Models for Text Classification [6.227343685358882]
本稿では,テキスト分類のための大規模言語モデルの中間層の内部ニューロンを分散・統合するモデルに依存しないフレームワークを提案する。
SPINはテキスト分類の精度、効率、解釈可能性を大幅に改善する。
論文 参考訳（メタデータ） (2023-11-27T16:28:20Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。
単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。
これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
論文 参考訳（メタデータ） (2023-07-20T13:34:11Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z) - SpinalNet: Deep Neural Network with Gradual Input [12.71050888779988]
本研究では,人間の体感システムについて検討し,より少ない計算で高精度なニューラルネットワーク(SpinalNet)を設計する。
提案したSpinalNetでは、各レイヤは、1)入力分割、2)中間分割、3)出力分割の3つの分割に分割される。
SpinalNetは、DNNの完全な接続層や分類層としても使用することができ、従来の学習と転送学習の両方をサポートする。
論文 参考訳（メタデータ） (2020-07-07T11:27:00Z) - Global inducing point variational posteriors for Bayesian neural
networks and deep Gaussian processes [38.79834570417554]
ベイズニューラルネットワークのすべての層における重みを近似的に近似的に後向きに展開する。
このアプローチを深いガウス過程に拡張し、2つのモデルクラスにおける推論を統一する。
論文 参考訳（メタデータ） (2020-05-17T01:10:37Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。