Fugu-MT 論文翻訳(概要): Rare Galaxy Classes Identified In Foundation Model Representations

論文の概要: Rare Galaxy Classes Identified In Foundation Model Representations

arxiv url: http://arxiv.org/abs/2312.02910v1
Date: Tue, 5 Dec 2023 17:36:04 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 14:56:50.444837
Title: Rare Galaxy Classes Identified In Foundation Model Representations
Title（参考訳）: 基礎モデル表現で特定されるレアギャラクシークラス
Authors: Mike Walmsley, Anna M.M. Scaife
Abstract要約: 我々は、事前訓練されたモデルの学習された表現の中で構造を探索することにより、希少かつ視覚的に特徴的な銀河群を同定する。これらの表現は、事前学習ラベルを予測するのに必要なもの以上のパターンに出現して銀河を配置していることが示される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We identify rare and visually distinctive galaxy populations by searching for structure within the learned representations of pretrained models. We show that these representations arrange galaxies by appearance in patterns beyond those needed to predict the pretraining labels. We design a clustering approach to isolate specific local patterns, revealing groups of galaxies with rare and scientifically-interesting morphologies.
Abstract（参考訳）: 我々は、事前訓練されたモデルの学習された表現内の構造を探索することで、希少で視覚的な銀河集団を特定する。これらの表現は、事前学習ラベルを予測するのに必要なもの以上のパターンの出現によって銀河を配置することを示している。我々は、特定の局所パターンを分離するクラスタリングアプローチを設計し、希少で科学的に興味深い形態を持つ銀河群を明らかにする。

関連論文リスト

Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文参考訳（メタデータ） (2023-10-22T04:06:44Z)
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)
Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文参考訳（メタデータ） (2023-06-05T03:36:01Z)
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)
Modeling Category-Selective Cortical Regions with Topographic Variational Autoencoders [72.15087604017441]
カテゴリー選択性(英: Category-Selectivity)は、大脳皮質の特定の空間的局所化領域が特定の限られたカテゴリーからの刺激に対して頑健かつ選択的に反応する傾向にあるという観察を記述している。新たに導入されたTopographic Variational Autoencoderを利用して、そのような局所化カテゴリ選択性の出現を教師なしでモデル化する。本研究では,ヒト腹側頭皮質の観察に類似した,より抽象的なカテゴリのネストされた空間的階層が得られたことを示す予備的な結果を示す。
論文参考訳（メタデータ） (2021-10-25T11:37:41Z)
Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文参考訳（メタデータ） (2021-08-16T11:52:08Z)
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)
The Spotlight: A General Method for Discovering Systematic Errors in Deep Learning Models [18.209010694469647]
本稿では,スポットライトと呼ばれる系統的誤りの発見手法を提案する。同様の入力は、ニューラルネットワークの最終的な隠れ層に類似した表現を持つ傾向がある。我々は、この表現空間上で「スポットライトを照らす」ことで、モデルが不十分な連続した領域を見つける。
論文参考訳（メタデータ） (2021-07-01T21:58:00Z)
Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
論文参考訳（メタデータ） (2021-04-19T09:39:30Z)
Attention-gating for improved radio galaxy classification [0.0]
本稿では,畳み込みニューラルネットワークを用いた電波銀河の分類技術として注目される。注意図作成に使用される正規化と集約の方法の選択が個々のモデルの出力にどのように影響するかを示す。得られたアテンションマップは、モデルによってなされた分類選択を解釈するために使用することができる。
論文参考訳（メタデータ） (2020-12-02T14:49:53Z)
Predicting star formation properties of galaxies using deep learning [0.0]
本稿では、恒星質量、星形成速度、塵の3つの重要な星形成特性を予測するための深層学習手法を提案する。我々は,標準星群合成符号の出力との比較により,ディープラーニングモデルの性能を特徴付ける。
論文参考訳（メタデータ） (2020-02-10T07:04:21Z)

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。