May, 2023

使用半监督的等变群卷积神经网络进行无线电星系的形态分类

PDF
TL;DR本文利用半监督式学习方法，通过使用 Group Equivariant Convolutional Neural Network，结合 SimCLR 和 BYOL 两种无监督式学习方法，对射电星系进行分类，并在这一过程中强调了半监督式学习在射电星系分类中的重要性。研究核心贡献是在标注数据较少的情况下，利用射电星系的未标注数据，通过分类实现表示学习。实验表明该方法优于现有的几种半监督式学习和全监督式学习方法，这一研究突出了半监督式学习在射电星系分类中的重要性。
radio galaxiessemi-supervised learninggroup equivariant convolutional neural networkrepresentation learningradio galaxy classification
发现论文，激发创造
  • 卷积神经网络分类射电星系

    用卷积神经网络的深度机器学习技术分类广义源的射电图像，训练样本大小为每个类别 200 个源，精度最高达 95％。

    May, 2017

  • 用于鲁棒星系形态分类的 E (2) 等变神经网络

    使用群卷积神经网络 (GCNNs) 基于数据的对称性对星系形态分类任务进行研究，通过引入人为扰动和模拟观测能力的限制来进行鲁棒性研究，发现 GCNN 在分类准确性和鲁棒性方面优于非等变的对应模型。

    Nov, 2023

  • 可训练的 COSFIRE 滤波器用于射电星系分类

    无需大量训练数据，我们的研究提出了一种创新的方法：使用 COSFIRE 滤波器对射电星系进行分类，取得了高达 93.36% 的平均准确率，超过了当代深度学习模型在相同数据集上的结果，并且具有更好的计算性能。

    Nov, 2023

  • 利用弱标签进行广义无线电星系形态学识别的深度学习

    讨论使用弱监督深度学习算法，以减少复杂射电星系的像素级标签成本。使用澳大利亚平方公里阵列（ASKAP）望远镜的数据，展示了该算法在预测像素级信息方面的高准确性，包括射电辐射的掩蔽遥远星系中的所有成分和红外主机位置的掩模。

    Aug, 2023

  • 应用梯度提升方法对外星系射电源进行形态学分类

    该研究提出了基于 GBM 方法和 PCA 的数据更有效的替代卷积神经网络的分类器，针对射电天文学中的异星射电源形态分类问题进行研究，并探究数据集大小对分类器性能的影响，最终发现三种 GBM 方法在分类效果上优于目前最先进的基于卷积神经网络的分类器，CatBoost 的准确率最高。

    Apr, 2023

  • 基于流形学习的图卷积网络用于半监督图像分类

    本文提出一种基于图卷积神经网络的半监督图像分类方法，采用不同类型的流形学习策略，通过无监督学习的方式实现了对于有限标注数据的图像分类任务，实验结果表明该方法优于传统和现有技术，并且运行时间高效。

    Apr, 2023

  • 贝叶斯和卷积网络用于星系的层次形态分类

    本研究主要使用 BCNN 方法对星系进行形态分类，通过卷积神经网络（CNN）训练不同类别的星系图像，并结合贝叶斯网络进行预测，结果显示 BCNN 在多个评估指标上表现优于其他 CNN 模型。

    May, 2024

  • 利用监督式机器学习对银河系平面紧凑射电源进行分类

    使用射电和红外图像对银河平面上的紧凑射电源进行分类，训练了两个不同的分类器，通过完全监督的方法获得高分类准确率，两个模型的性能随着添加远红外和谱指数信息而提高。

    Feb, 2024

  • 使用深度卷积神经网络进行星系分类

    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

  • RG-CAT：EMU 初 搜索天空试点调查的射电星系检测流水线与目录

    使用 ASKAP 望远镜进行的 EMU-PS 试验的首个星系目录的构建与检测流程，包括使用 Gal-DINO 计算机视觉网络进行源检测和目录构建，涵盖射电形态和红外主机位置预测，获得了大量射电源的分类和检测结果。

    Mar, 2024