論文の概要: From Galaxy Zoo DECaLS to BASS/MzLS: detailed galaxy morphology classification with unsupervised domain adaption
- arxiv url: http://arxiv.org/abs/2412.15533v1
- Date: Fri, 20 Dec 2024 03:48:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:19:42.305631
- Title: From Galaxy Zoo DECaLS to BASS/MzLS: detailed galaxy morphology classification with unsupervised domain adaption
- Title(参考訳): Galaxy Zoo DECaLSからBASS/MzLS:教師なし領域適応による詳細な銀河形態分類
- Authors: Renhao Ye, Shiyin Shen, Rafael S. de Souza, Quanfeng Xu, Mi Chen, Zhu Chen, Emille E. O. Ishida, Alberto Krone-Martins, Rupesh Durgesh,
- Abstract要約: Galaxy Zoo DECaLS 5 (GZD-5) は253,287個の銀河のサンプルに対して、広範囲で詳細な形態ラベルを提供している。
DECaLS画像に基づいてトレーニングされたニューラルネットワークは、分布ミスマッチのため、BMzイメージに直接適用することはできない。
本研究では,GZD-5ラベルを用いたDECLS画像からBMz画像に学習したソースドメインモデルを微調整する,教師なし領域適応(UDA)手法について検討する。
- 参考スコア(独自算出の注目度): 0.8010192121024553
- License:
- Abstract: The DESI Legacy Imaging Surveys (DESI-LIS) comprise three distinct surveys: the Dark Energy Camera Legacy Survey (DECaLS), the Beijing-Arizona Sky Survey (BASS), and the Mayall z-band Legacy Survey (MzLS).The citizen science project Galaxy Zoo DECaLS 5 (GZD-5) has provided extensive and detailed morphology labels for a sample of 253,287 galaxies within the DECaLS survey. This dataset has been foundational for numerous deep learning-based galaxy morphology classification studies. However, due to differences in signal-to-noise ratios and resolutions between the DECaLS images and those from BASS and MzLS (collectively referred to as BMz), a neural network trained on DECaLS images cannot be directly applied to BMz images due to distributional mismatch.In this study, we explore an unsupervised domain adaptation (UDA) method that fine-tunes a source domain model trained on DECaLS images with GZD-5 labels to BMz images, aiming to reduce bias in galaxy morphology classification within the BMz survey. Our source domain model, used as a starting point for UDA, achieves performance on the DECaLS galaxies' validation set comparable to the results of related works. For BMz galaxies, the fine-tuned target domain model significantly improves performance compared to the direct application of the source domain model, reaching a level comparable to that of the source domain. We also release a catalogue of detailed morphology classifications for 248,088 galaxies within the BMz survey, accompanied by usage recommendations.
- Abstract(参考訳): DESI-LISはDark Energy Camera Legacy Survey (DECaLS), Beijing-Arizona Sky Survey (BASS), Mayall z-band Legacy Survey (MzLS)の3つの異なる調査で構成されている。
市民科学プロジェクトGalaxy Zoo DECaLS 5 (GZD-5)は、DeCaLSの調査で253,287個の銀河のサンプルに対して、広範囲で詳細な形態ラベルを提供している。
このデータセットは、多くの深層学習に基づく銀河形態学分類研究の基礎となっている。
しかし、DECLS画像とBASSとMzLS(総称BMz)の信号対雑音比と分解能の違いにより、DECLS画像に基づいてトレーニングされたニューラルネットワークは、分布ミスマッチによりBMz画像に直接適用できない。本研究では、GZD-5ラベルでDECLS画像に基づいてトレーニングされたソースドメインモデルをBMz画像に微調整し、BMz画像内での銀河形態分類のバイアスを軽減することを目的とした、教師なし領域適応(UDA)手法を検討する。
UDAの出発点として使用される我々のソース・ドメイン・モデルは、関連する研究結果に匹敵するDECaLS銀河の検証セットの性能を達成する。
BMz銀河の場合、微調整対象領域モデルでは、ソースドメインモデルの直接適用に比べて性能が大幅に向上し、ソースドメインのそれと同等のレベルに達する。
また、BMzサーベイで248,088個の銀河について詳細な形態分類のカタログを公開し、使用法を推奨した。
関連論文リスト
- An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。
トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。
特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
論文 参考訳(メタデータ) (2024-12-16T03:21:20Z) - Machine learning-based classification for Single Photon Space Debris Light Curves [0.0]
この作業は、機械学習フレームワークを使用してSingle Photon Space Debrisを分類することを目的としている。
3つのタスクにモデルを適用し、個々のオブジェクトを分類し、起源に応じてグループ化されたオブジェクトを家族に分類し、一般的なタイプに分類する。
我々は、単一光子で捉えたスペースデブリLCの分類に成功し、90.7%の精度を得た。
論文 参考訳(メタデータ) (2024-11-27T11:08:06Z) - From Images to Features: Unbiased Morphology Classification via
Variational Auto-Encoders and Domain Adaptation [0.8010192121024553]
本稿では、変分オートエンコーダ(VAE)とドメイン適応(DA)の組み合わせを利用して、銀河画像の次元化のための新しいアプローチを提案する。
その結果,40次元潜伏変数は銀河画像のほとんどの形態的特徴を効果的に再現できることが示唆された。
我々は、DECLSとBASS+MzLSの重なり合うフットプリントにおける銀河を用いて、DAを介してVAEネットワークをチューニングすることで、我々のモデルをさらに強化する。
論文 参考訳(メタデータ) (2023-03-15T13:54:11Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳(メタデータ) (2023-01-19T11:37:20Z) - 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) - Multi-Scale Multi-Target Domain Adaptation for Angle Closure
Classification [50.658613573816254]
角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。
異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
論文 参考訳(メタデータ) (2022-08-25T15:27:55Z) - Realistic galaxy image simulation via score-based generative models [0.0]
本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。
主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
論文 参考訳(メタデータ) (2021-11-02T16:27:08Z) - 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) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳(メタデータ) (2021-04-19T08:46:08Z) - 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) - A catalog of broad morphology of Pan-STARRS galaxies based on deep
learning [0.0]
本稿では、銀河の自動的広帯域形態学アノテーションのためのデータ解析プロセスの設計と実装について述べる。
このプロセスはフィルタに基づいており、2段階の畳み込みニューラルネットワーク(CNN)分類が続く。
結果は、パンスターズ銀河のアノテーションとの比較により、精度を評価する。
論文 参考訳(メタデータ) (2020-10-12T23:20:35Z)
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。