螺旋-椭圆自动星系形态分类从望远镜图像
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。
Mar, 2015
本文介绍了一种通用域适应方法DeepAstroUDA,用于将不同类型的数据集进行半监督域对齐,在不同天文调查之间架起桥梁,对未标记的数据进行异常检测和聚类。
Nov, 2022
本文介绍了一种名为DeepAstroUDA的通用领域自适应方法,可用于具有不同数据分布和类别重叠的数据集,以及存在未知类的情况。我们将其应用于三个不同复杂度的星系形态分类任务的示例中,成功使用领域自适应方法实现了极度不一致的观测数据的分类,提高了模型性能,使模型能够在多个数据集上实现一致的表现。同时,我们的方法也用作了一种异常检测算法,并可以成功地聚类未知类样本。
Feb, 2023
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
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
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
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
通过利用大视觉模型和少样本学习等方法,本文提出了一个通用分析星系图像的框架,解决了天文数据处理中的重复工作和数据分布不平衡的问题,并通过人类知识的加入提高了处理星系图像的可靠性和解释性。该框架在星系图像的多个任务上展现了显著的少样本学习能力和通用适应性,为多模态数据的集成分析提供了可能性。
May, 2024
使用自然语言提示,无需额外训练即可实现视觉-语言多模态模型对低表面亮度星系和艺术品的零样本分类以及星系形态分类,在自然语言提示下,这些模型通常能够实现显著的准确度(通常在80%以上),我们讨论了一些需要改进的领域,特别是LLaVA-NeXT,这是一个开源模型,我们的研究结果旨在激励天文学界将视觉-语言多模态模型视为研究和教育的强大工具,并希望未来定制或优化的模型能够表现更好。
Jun, 2024