論文の概要: Galaxy Classification: A machine learning approach for classifying
shapes using numerical data
- arxiv url: http://arxiv.org/abs/2312.00184v1
- Date: Thu, 30 Nov 2023 20:47:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 16:23:58.938670
- Title: Galaxy Classification: A machine learning approach for classifying
shapes using numerical data
- Title（参考訳）: 銀河分類:数値データを用いた形状分類のための機械学習アプローチ
- Authors: Anusha Guruprasad
- Abstract要約: 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。
- 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 galaxies as spirals or ellipticals is a crucial task in
understanding their formation and evolution. With the arrival of large-scale
astronomical surveys, such as the Sloan Digital Sky Survey (SDSS), astronomers
now have access to images of a vast number of galaxies. However, the visual
inspection of these images is an impossible task for humans due to the sheer
number of galaxies to be analyzed. To solve this problem, the Galaxy Zoo
project was created to engage thousands of citizen scientists to classify the
galaxies based on their visual features. In this paper, we present a machine
learning model for galaxy classification using numerical data from the Galaxy
Zoo[5] project. Our model utilizes a convolutional neural network architecture
to extract features from galaxy images and classify them into spirals or
ellipticals. We demonstrate the effectiveness of our model by comparing its
performance with that of human classifiers using a subset of the Galaxy Zoo
dataset. Our results show that our model achieves high accuracy in classifying
galaxies and has the potential to significantly enhance our understanding of
the formation and evolution of galaxies.
- Abstract（参考訳）: 渦巻銀河や楕円銀河の分類は、銀河の形成や進化を理解する上で重要な課題である。
スローン・デジタル・スカイ・サーベイ(SDSS)のような大規模な天文学調査が到着し、天文学者は膨大な数の銀河の画像にアクセスできるようになった。
しかし、これらの画像の視界検査は、分析対象の銀河の数が多いため、人間には不可能な作業である。
この問題を解決するため、Galaxy Zooプロジェクトは何千人もの市民科学者が銀河の視覚的特徴に基づいて分類するために作られた。
本稿では,Galaxy Zoo[5]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。
我々のモデルは畳み込みニューラルネットワークアーキテクチャを用いて銀河画像から特徴を抽出し、それらをスパイラルまたは楕円体に分類する。
我々は,Galaxy Zooデータセットのサブセットを用いて,その性能を人間の分類器と比較することにより,モデルの有効性を示す。
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。
関連論文リスト
- 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) - Identifying AGN host galaxies with convolutional neural networks [0.0]
我々は、AGNホスト銀河と非活性銀河を区別するために畳み込みニューラルネットワーク(CNN)を訓練する。
合成物質としてスペクトル分類された33,000個の銀河のCNNを評価する。
論文 参考訳（メタデータ） (2022-12-15T15:04:40Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳（メタデータ） (2022-11-22T15:35:05Z) - 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) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳（メタデータ） (2022-07-07T17:55:26Z) - Practical Galaxy Morphology Tools from Deep Supervised Representation
Learning [0.0]
深層学習モデルは、銀河の意味的な意味的表現を学習する。
我々はこれらの表現を利用して、大きな銀河のサンプルを調べるのに不可欠ないくつかの実践的なタスクにおいて、既存のアプローチを上回ります。
論文 参考訳（メタデータ） (2021-10-25T08:46:16Z) - 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) - First Full-Event Reconstruction from Imaging Atmospheric Cherenkov
Telescope Real Data with Deep Learning [55.41644538483948]
チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。
地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。
我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
論文 参考訳（メタデータ） (2021-05-31T12:51:42Z) - 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) - Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
論文 参考訳（メタデータ） (2020-01-17T04:05:46Z)
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。