論文の概要: Bayesian and Convolutional Networks for Hierarchical Morphological Classification of Galaxies

• arxiv url: http://arxiv.org/abs/2405.02366v1
• Date: Fri, 3 May 2024 06:48:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 20:19:44.909811
• Title: Bayesian and Convolutional Networks for Hierarchical Morphological Classification of Galaxies
• Title（参考訳）: 銀河の階層的形態分類のためのベイズと畳み込みネットワーク
• Authors: Jonathan Serrano-Pérez, Raquel Díaz Hernández, L. Enrique Sucar,
• Abstract要約: この研究は、ハッブル系列に続く銀河の形態的分類に焦点をあて、異なるクラスが階層構造に配置されている。 提案手法である BCNN は2つの主モジュールから構成される。 BCNNは複数の評価尺度において複数のCNNよりも優れており、その次のスコアは67%の正確な一致、78%の精度、83%の階層的なF測定であった。
• 参考スコア（独自算出の注目度）: 1.474723404975345
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work is focused on the morphological classification of galaxies following the Hubble sequence in which the different classes are arranged in a hierarchy. The proposed method, BCNN, is composed of two main modules. First, a convolutional neural network (CNN) is trained with images of the different classes of galaxies (image augmentation is carried out to balance some classes); the CNN outputs the probability for each class of the hierarchy, and its outputs/predictions feed the second module. The second module consists of a Bayesian network that represents the hierarchy and helps to improve the prediction accuracy by combining the predictions of the first phase while maintaining the hierarchical constraint (in a hierarchy, an instance associated with a node must be associated to all its ancestors), through probabilistic inference over the Bayesian network so that a consistent prediction is obtained. Different images from the Hubble telescope have been collected and labeled by experts, which are used to perform the experiments. The results show that BCNN performed better than several CNNs in multiple evaluation measures, reaching the next scores: 67% in exact match, 78% in accuracy, and 83% in hierarchical F-measure.
• Abstract（参考訳）: この研究は、ハッブル系列に続く銀河の形態的分類に焦点をあて、異なるクラスが階層構造に配置されている。 提案手法である BCNN は2つの主モジュールから構成される。 第一に、畳み込みニューラルネットワーク(CNN)は、異なる種類の銀河の画像で訓練され(いくつかのクラスのバランスをとるために画像拡張が行われる)、CNNは階層の各クラスの確率を出力し、その出力/予測は第二のモジュールを供給します。 第2のモジュールはヒエラルキーを表すベイズネットワークで構成され、階層的制約を維持しながら第1フェーズの予測を組み合わせることで予測精度を向上させる(階層構造では、ノードに関連するインスタンスはすべての祖先に関連付けられなければならない)。 ハッブル望遠鏡のさまざまな画像が専門家によって収集され、ラベル付けされ、実験に使用された。 以上の結果から,BCNNは複数の評価尺度において,一致率67%,精度78%,階層的F尺度83%という,複数のCNNよりも優れた成績を示した。

関連論文リスト

• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• RankDNN: Learning to Rank for Few-shot Learning [70.49494297554537]
  本稿では、画像検索の関連性ランキングをバイナリランキング関係分類として活用する、新しい数ショット学習パイプラインを提案する。 これは、数ショットの学習に関する新しい視点を提供し、最先端の手法を補完する。
  論文  参考訳（メタデータ） (2022-11-28T13:59:31Z)
• 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)
• Rethinking Nearest Neighbors for Visual Classification [56.00783095670361]
  k-NNは、トレーニングセット内のテストイメージとトップk隣人間の距離を集約する遅延学習手法である。 我々は,教師付き手法と自己監督型手法のいずれでも,事前学習した視覚表現を持つk-NNを2つのステップで採用する。 本研究は,幅広い分類タスクに関する広範な実験により,k-NN統合の汎用性と柔軟性を明らかにした。
  論文  参考訳（メタデータ） (2021-12-15T20:15:01Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural Networks [0.0]
  シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。 我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。 CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
  論文  参考訳（メタデータ） (2020-04-24T20:36:06Z)
• Multilayer Dense Connections for Hierarchical Concept Classification [3.6093339545734886]
  同じCNNで階層的な順序でカテゴリとその概念上のスーパークラスを同時予測するための多層密接続を提案する。 提案するネットワークは,複数のデータセットにおいて既存のアルゴリズムよりも粗いスーパークラスと細かなカテゴリの両方を同時に予測できることを実験的に実証した。
  論文  参考訳（メタデータ） (2020-03-19T20:56:09Z)

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。