可训练的 COSFIRE 滤波器用于射电星系分类
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。
May, 2023
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 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
利用 RadioGalaxyNET 多模态数据集和一套新颖的计算机视觉算法自动检测和定位多组件扩展射电星系及其对应的红外主机,为创建下一代深度调查的射电星系目录提供支持。该数据集包括 2,800 张射电和红外双通道的图像中共 4,155 个星系实例,每个实例提供扩展射电星系类别,包围所有组件的边界框,像素级分割掩模以及对应红外主机星系的关键点位置的信息。对数据集进行了几种目标检测算法的基准测试,并提出了一种新颖的多模态方法,同时检测射电星系和红外主机的位置。
Dec, 2023
我们提供了一个新颖的多模态数据集,由专家天文学家开发,用于自动检测和定位多组件扩展射电星系及其对应的红外主机。该数据集包括 2,800 个射电和红外模态图像中的 4,155 个星系实例。每个实例都包含有关扩展射电星系类别、包围其所有组件的边界框、像素级分割掩模以及其对应红外主机星系的位置的信息。我们的数据集是第一个公开可访问的数据集,包括来自高灵敏度射电望远镜、红外卫星以及用于其识别的实例级注释的图像。我们在数据集上对几种目标检测算法进行了基准测试,并提出了一种新颖的多模态方法,可以同时识别射电星系和红外主机的位置。
Dec, 2023
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
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