宇宙绘图中类星体、星系和恒星的分类多模态深度学习
研究 SDSS-IV 数据集,运用多模态学习,利用迁移学习建造 Resnet-50、DenseNet-121 VGG-16、Xception、EfficientNetB2、MobileNetV2 和 NasnetMobile 等多种不同层级微调的模型,进而发现不同模型的最佳微调层级和训练比例,并提供了专门用于评估模型的评估指标。
May, 2022
本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架,可直接基于像素值进行学习,避免了人工特征工程需求,并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。
Aug, 2016
本研究使用卷积神经网络(CNN)对斯隆数字天空调查中的类星体进行分类和检测,以及预测类星体的光度红移,并结合随机森林分类器提高准确性,相较于其他分类器表现显著提高,在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。
Dec, 2017
本文提出了一种自动检测和分类星系的方法,并使用新型数据增强程序来使训练模型更加健壮,以适应来自不同仪器和对比度拉伸函数的数据。该方法是 AstroCV 的一部分, AstroCV 是一个开源的计算机视觉库,用于处理和分析大型天文数据集,包括高性能的 Python 和 C++ 算法,它利用卷积神经网络和深度学习技术训练模型,提供的结果优于基于手动特征工程和 SVM 的方法。
Sep, 2018
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
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
通过基于 PCA 的机器学习算法对短暂成像数据进行分类,可以实现 96% 的完整度和 84% 的准确度,并且在未来的天文调查中将大力发展完全机器化的解决方案。
Jul, 2014
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
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
本文提出使用深度学习将三维宇宙中星系分布与其背后的暗物质分布建立映射,以实现宇宙学模拟的快速计算。通过开发出的双层卷积神经网络结构生成的星系画像,相比于传统的宇宙学技术取得了更好的性能与准确性,并且与当前和未来的宇宙观测数据结合使用可以解决宇宙学中的一些基本问题。
Feb, 2019