Feb, 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

PDF
TL;DR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。
science-ready dataradio continuum surveyssource extractionclassificationcompact radio sources
发现论文，激发创造
  • 无线电图像立方体分类的进展

    本研究概括了机器智能在射电图像分类方面的应用，并聚焦于射电星系形态分类。在射电天文学中，合作制作注释数据集和索引识别到的射电源是必要的。

    May, 2023

  • 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

  • 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

  • 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

  • RadioGalaxyNET: 检测广延电波星系和红外主体的数据集和新颖计算机视觉算法

    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

  • 天体物理 X 射线源的无监督机器学习分类

    通过无监督机器学习方法，我们为 Chandra Source Catalog 的源提供了概率分类，并展示了该方法在识别年轻恒星物体的发射以及区分小尺度和大尺度紧凑吸积源方面的成功，为这种概率分类器提供了可解释性。

    Jan, 2024

  • 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

  • SDSS 瞬变巡天图像的机器学习分类

    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

  • 可控扩散模型用于天文无线电图生成

    为了扩充现有的数据集并解决类别失衡的问题，我们提出了名为 RADiff 的条件扩散模型生成方法，用来生成包含不同形态的射电源的合成图像，同时还展示了我们训练深度学习模型并在数据集上实现语义分割任务的有效性。

    Jul, 2023

  • 基于深度学习的干涉射电瞬变重构反卷积

    本研究论文提出了一种新的神经网络框架，可以在时间和空间上建模数据和仪器响应，并加入时间相关性来提高经典图像反卷积算法 CLEAN 的性能，在大噪声数据帧中表现出较高的鲁棒性。

    Jun, 2023