論文の概要: Effective Fine-Tuning of Vision-Language Models for Accurate Galaxy Morphology Analysis

• arxiv url: http://arxiv.org/abs/2411.19475v1
• Date: Fri, 29 Nov 2024 05:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:22:55.227762
• Title: Effective Fine-Tuning of Vision-Language Models for Accurate Galaxy Morphology Analysis
• Title（参考訳）: 正確な銀河形態解析のための視覚言語モデルの効果的な微調整
• Authors: Ruoqi Wang, Haitao Wang, Qiong Luo,
• Abstract要約: GalaxAlignは、天文学的なタスクにおいて高い精度を達成するために、事前訓練された基礎モデルを微調整する新しい方法である。 本手法は,3種類のデータを微調整で整列させるために,コントラスト学習アーキテクチャを拡張した。
• 参考スコア（独自算出の注目度）: 3.379005517804234
• License:
• Abstract: Galaxy morphology analysis involves classifying galaxies by their shapes and structures. For this task, directly training domain-specific models on large, annotated astronomical datasets is effective but costly. In contrast, fine-tuning vision foundation models on a smaller set of astronomical images is more resource-efficient but generally results in lower accuracy. To harness the benefits of both approaches and address their shortcomings, we propose GalaxAlign, a novel method that fine-tunes pre-trained foundation models to achieve high accuracy on astronomical tasks. Specifically, our method extends a contrastive learning architecture to align three types of data in fine-tuning: (1) a set of schematic symbols representing galaxy shapes and structures, (2) textual labels of these symbols, and (3) galaxy images. This way, GalaxAlign not only eliminates the need for expensive pretraining but also enhances the effectiveness of fine-tuning. Extensive experiments on galaxy classification and similarity search demonstrate that our method effectively fine-tunes general pre-trained models for astronomical tasks by incorporating domain-specific multi-modal knowledge.
• Abstract（参考訳）: 銀河形態解析では、銀河の形状や構造を分類する。 このタスクでは、大きな注釈付き天文学データセット上でドメイン固有のモデルを直接訓練することは効果的だがコストがかかる。 対照的に、小さな天体画像の集合上で微調整された視覚基礎モデルは、より資源効率が良いが、一般的にはより精度が低い。 両手法の利点を生かし,その欠点に対処するため,天文学的タスクにおいて高精度な基礎モデルを微調整する新しい手法であるGalaxAlignを提案する。 具体的には,(1)銀河の形状と構造を表す図形記号の集合,(2)これらの記号のテキストラベル,(3)銀河画像の3種類のデータを微調整で整列する。 このように、GalaxAlignは高価な事前トレーニングの必要性を取り除くだけでなく、微調整の有効性を高める。 銀河分類と類似性探索の広範囲な実験により,本手法は領域固有のマルチモーダル知識を取り入れることで,天文学的タスクの訓練済みモデルを効果的に微調整できることが証明された。

関連論文リスト

• Galaxy Classification: A machine learning approach for classifying shapes using numerical data [0.0]
  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。
  論文  参考訳（メタデータ） (2023-11-30T20:47:16Z)
• 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)
• 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)
• Generic Lithography Modeling with Dual-band Optics-Inspired Neural Networks [52.200624127512874]
  我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。 提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。 また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
  論文  参考訳（メタデータ） (2022-03-12T08:08:50Z)
• MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
  本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。 得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。 実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-26T09:21:41Z)
• 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)
• 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)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• 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)

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。