May, 2024

贝叶斯和卷积网络用于星系的层次形态分类

PDF
TL;DR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。
morphological classificationgalaxieshubble sequencebcnnconvolutional neural network
发现论文，激发创造
  • B-CNN：分支卷积神经网络用于分层分类

    本研究提出了一种变体的卷积神经网络模型 Branch Convolutional Neural Network（B-CNN）和对应的 Branch Training 策略，该模型可以沿着目标类别的层次结构输出多个从粗到细排序的预测结果，利用层次化的先验知识提高卷积神经网络的分类性能。实验结果表明，B-CNN 的性能优于 MNIST、CIFAR-10 和 CIFAR-100 基准数据集上的对应基准 CNN。

    Sep, 2017

  • 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

  • 基于旋转不变卷积神经网络的星系形态预测

    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

  • 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

  • 评估贝叶斯深度学习用于射电星系分类

    评估不同的贝叶斯神经网络对于无线电星系分类问题的预测性能、不确定性校准和分布漂移检测的表现。

    May, 2024

  • 利用 SpinalNet 进行星系的形态分类

    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

  • 用于乳腺癌组织学图像分类的分层 ResNeXt 模型

    介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类，使用 BACH 挑战数据集进行评估，测试集上的准确率达到了 0.99，在 BACH 的挑战测试中取得了 0.81 的准确率，排名第八。

    Oct, 2018

  • Astroformer：对于分类任务仅仅增加数据并不一定足够

    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

  • 乳腺癌组织学图像分类的两级卷积神经网络

    此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法，并利用 ICIAR2018 数据集进行验证，在验证数据集上获得了 95% 的分类精度。

    Mar, 2018

  • 基于马尔可夫随机场和卷积神经网络的高光谱图像分类

    该论文提出了一种新的超光谱遥感图像监督分类算法，该算法在统一的贝叶斯框架下集成了波谱和空间信息，并结合卷积神经网络和 Alpha-Expansion Min-Cut 算法。实验结果表明，该算法在一个合成数据集和两个基准超光谱数据集上的性能要优于其他最先进的方法。

    May, 2017