論文の概要: Classification of Radio Galaxies with trainable COSFIRE filters
- arxiv url: http://arxiv.org/abs/2311.11286v1
- Date: Sun, 19 Nov 2023 10:12:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-03 14:11:12.836940
- Title: Classification of Radio Galaxies with trainable COSFIRE filters
- Title（参考訳）: トレーニング可能なCOSFIREフィルタを用いたラジオギャラクシーの分類
- Authors: Steven Ndungu, Trienko Grobler, Stefan J. Wijnholds Dimka
Karastoyanova, George Azzopardi
- Abstract要約: 我々は、COSFIREフィルタを用いた電波銀河分類のための革新的なアプローチを導入する。
これらのフィルタは、画像内のプロトタイプパターンの形状と向きの両方に適応する能力を持っている。
我々は,180個のトレーニングサンプルと404個のテストサンプルからなるベンチマーク・ラジオ・ギャラクシー・データセットの実験を行った。
- 参考スコア（独自算出の注目度）: 4.268504966623082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio galaxies exhibit a rich diversity of characteristics and emit radio
emissions through a variety of radiation mechanisms, making their
classification into distinct types based on morphology a complex challenge. To
address this challenge effectively, we introduce an innovative approach for
radio galaxy classification using COSFIRE filters. These filters possess the
ability to adapt to both the shape and orientation of prototype patterns within
images. The COSFIRE approach is explainable, learning-free, rotation-tolerant,
efficient, and does not require a huge training set. To assess the efficacy of
our method, we conducted experiments on a benchmark radio galaxy data set
comprising of 1180 training samples and 404 test samples. Notably, our approach
achieved an average accuracy rate of 93.36\%. This achievement outperforms
contemporary deep learning models, and it is the best result ever achieved on
this data set. Additionally, COSFIRE filters offer better computational
performance, $\sim$20$\times$ fewer operations than the DenseNet-based
competing method (when comparing at the same accuracy). Our findings underscore
the effectiveness of the COSFIRE filter-based approach in addressing the
complexities associated with radio galaxy classification. This research
contributes to advancing the field by offering a robust solution that
transcends the orientation challenges intrinsic to radio galaxy observations.
Our method is versatile in that it is applicable to various image
classification approaches.
- Abstract（参考訳）: 電波銀河は多様な特性を示し、様々な放射メカニズムを通じて電波放射を放出し、形態に基づいた異なる種類に分類することは複雑な課題である。
この課題を効果的に解決するために,コスファイアフィルタを用いた電波銀河分類の革新的アプローチを提案する。
これらのフィルタは、画像内のプロトタイプパターンの形状と向きの両方に適応する能力を持っている。
COSFIREアプローチは、説明可能で、学習不要で、回転耐性があり、効率的で、巨大なトレーニングセットを必要としない。
本手法の有効性を評価するため,1180個のトレーニングサンプルと404個のテストサンプルからなるベンチマーク電波銀河データセットの実験を行った。
特に,本手法は平均精度93.36\%を達成した。
この成果は、現代のディープラーニングモデルよりも優れており、このデータセット上で達成された最高の結果です。
さらに、COSFIREフィルタはより優れた計算性能を提供し、$\sim$20$\times$演算はDenseNetベースの競合メソッドよりも少ない(同じ精度で比較した場合)。
本研究は,COSFIREフィルタを用いたラジオ銀河分類の複雑さに対処する手法の有効性を裏付けるものである。
この研究は、電波銀河観測に内在する方向の課題を超越するロバストな解を提供することによって、この分野の進歩に貢献している。
本手法は,様々な画像分類手法に適用できるという点で多様である。
関連論文リスト
- Detecting and Classifying Flares in High-Resolution Solar Spectra with Supervised Machine Learning [0.0]
本稿では,太陽フレアを教師あり機械学習の助けを借りて分類する標準化手法を提案する。
RHESSIミッションのフレアデータと、HARPS-N機器の太陽光スペクトルを用いて、いくつかの教師付き機械学習モデルを訓練した。
最も訓練されたモデルでは、平均集計精度スコアが0.65であり、非フレアクラスと弱フレアクラスではカテゴリ精度スコアが0.70以上である。
論文 参考訳（メタデータ） (2024-06-21T18:52:03Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - Classification of compact radio sources in the Galactic plane with
supervised machine learning [0.0]
我々は、無線画像と赤外線画像の両方を入力として、ギャラクティック平面におけるコンパクトな電波源の分類に着目する。
この目的のために、我々は、異なる天文学クラスからなるコンパクトなソースの2万の画像をキュレートしたデータセットを作成しました。
実装されたツールと訓練されたモデルが公開され、将来の応用のために電波天文学コミュニティで利用可能になった。
論文 参考訳（メタデータ） (2024-02-23T09:47:42Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Stress-Testing LiDAR Registration [52.24383388306149]
本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。
おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
論文 参考訳（メタデータ） (2022-04-16T05:10:55Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - 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) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - Data-Efficient Classification of Radio Galaxies [0.0]
本稿では, 深層学習手法を用いた形態学に基づく電波銀河分類の課題について検討する。
我々は、ツインネットワークに基づく数ショット学習技術と、事前訓練されたDenseNetモデルを用いたトランスファー学習技術を適用した。
我々は、ベント型銀河とFRII型銀河の最大の混同源である最高の性能モデルを用いて、92%以上の分類精度を達成した。
論文 参考訳（メタデータ） (2020-11-26T14:28:19Z) - Constraining the recent star formation history of galaxies : an
Approximate Bayesian Computation approach [0.0]
本研究は、過去数十～数百年の恒星形成活動の強い変動を呈する銀河を同定する手法を提案する。
高信号対雑音比広帯域光度計を用いてCOSMOS銀河のサンプルを分析する。
論文 参考訳（メタデータ） (2020-02-18T19:00:01Z)
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。