Mar, 2015

基于旋转不变卷积神经网络的星系形态预测

PDF
TL;DR本篇研究利用一种基于深度神经网络的方法，通过对称性原理对 SDSS 和 Galaxy Zoo 的星系图像进行分类，能够在大规模的图像数据集上高效准确地进行星系形态分类，这一方法在提高工作效率的同时也能保持非常高的分类精度。
galaxy morphologydeep neural networksdssgalaxy zoolsst
发现论文，激发创造
  • 通过机器学习复现星系形态：星系动物园

    此论文提出了一种使用机器学习进行形态分类的方法，并在 SDSS DR6 目录中测试了该方法的效果，并发现利用自适应形状参数、浓度和纹理等参数可以改善算法分类效果，并证明使用 Galaxy Zoo 目录可以为下一代广域成像调查提供宝贵的训练集。

    Aug, 2009

  • Astroformer：对于分类任务仅仅增加数据并不一定足够

    本文提出了使用混合变压器卷积结构及选择数据增强和正则化技术的方法学习更少量的数据以从现代天文调查中提取物理信息，此方法在 Galaxy10 DECals 数据集上取得了 94.86% 的精度，在 CIFAR-100 和 Tiny ImageNet 上也实现了新的最佳效果。

    Apr, 2023

  • 来自 SDSS 的星系视觉检查导出的形态学

    通过 Galaxy Zoo 项目，从 Sloan 数字巨星勘测中提取了近一百万个星系，邀请公众通过互联网对其进行视觉形态分类研究，得到了早期数据集所没有的新的形态分类目录，避免了代理变量引入偏差的情况，同时还可以通过颜色 - 等级图表直接比较星系的基础形态特征。

    Apr, 2008

  • 螺旋 - 椭圆自动星系形态分类从望远镜图像

    发展了两种新颖的星系形态统计方法，并简化了现有的图像统计方法，通过随机森林分类器准确检测螺旋和椭圆星系。

    Oct, 2023

  • 星系分类：使用数值数据的机器学习方法进行形状分类

    本文介绍了使用 Galaxy Zoo 项目的数值数据进行星系分类的机器学习模型，该模型利用卷积神经网络从星系图像中提取特征并将其分类为螺旋形或椭圆形。我们通过将模型与人类分类器在 Galaxy Zoo 数据集的子集上进行比较来证明模型的有效性。我们的结果表明，我们的模型在星系分类上具有高准确性，并有可能显著增强我们对星系形成和演化的理解。

    Nov, 2023

  • Galaxy Zoo：CANDELS 48000 个星系的定量视觉形态分类

    研究使用 Galsxy Zoo 数据量化描述约 48,000 个星系的空间形态学，并提供了缩小了的深度校正分类数据，用于星系分类的选取，使用这些分类数据结合其他方法，探索了 1 < z < 3 时段中分布在恒星分布表面的星系群的动力学热度及星系进化等问题。

    Oct, 2016

  • 应用深度学习改善 SDSS 星系形态学

    本文使用深度学习算法，结合精准的视觉分类目录，通过彩色图像获得 T-Type 和 GZ2 类型问题的分类，以得到最大和最准确的形态目录。

    Nov, 2017

  • 银河动物园 2：来自 Sloan Digital Sky Survey 的 304,122 个星系的详细形态分类

    Galaxy Zoo 2 是一个旨在通过公众参与，将天文图像中的星系形态分类的公民科学项目，本文介绍了其数据发布，并说明其优势在于对大量天文图像进行目测分类的不可替代性。

    Aug, 2013

  • 利用 SpinalNet 进行星系的形态分类

    本文介绍了 SpinalNet 这种类似于人体远感系统的深度神经网络，其输入分割使得中间层能够接收前一层的一些输入和输出，从而减少了中间层的权重，使得计算成本和误差都大幅降低，应用于 Galaxy Zoo 数据集的分类准确率得到了进一步提升，分别为 98.2％，95％和 82％。

    May, 2023

  • 通过数据集提炼发现星系特征

    使用神经网络和数据集精炼技术研究星系分类任务中的形态特征及其可视化，同时自适应匹配轨迹算法改进了计算机视觉性能。

    Nov, 2023