SkyNet是一个高效且强大的机器学习工具,可用于训练大型、深层的前馈神经网络,包括自编码器。使用预训练方法和正则化牛顿方法进行优化,避免了标准反向传播技术在优化复杂网络方面的困难,SkyNet的实用性和灵活性在一些例题和天文学问题上得到了展示。
Sep, 2013
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
介绍了一个新的光场数据集,并利用深度学习在4D光场上进行材料识别。实验中,最佳表现的CNN架构相比2D图像分类提高了7%(从70%到77%),这些结果构成了对CNN应用于光场应用的重要基线。
Aug, 2016
利用深度学习和语义分割算法,我们提出了Morpheus模型,以逐像素级别生成天文源的形态分类。我们在Hubble Space Telescope数据上评估了Morpheus,展示了在GOODS South领域中,对H < 26 AB的已知源的高度完整性,并提供了在线演示和交互式可视化结果。
Jun, 2019
使用规范流算法,从有噪音的视差和光度学测量中学习灵活的色-星等图,该算法是一种能够学习任意多维概率分布的深度神经网络。应用该算法,我们得到了 6.4 亿个近邻恒星的光度距离后验分布的目录,可应用于改善银河系盘层分离和亚结构检测。
Aug, 2019
通过卷积神经网络预测H2星际气体产生的伽马射线,以帮助区分点状光源和星际气体的贡献,并更好地表征广泛的伽马射线光源。
Jun, 2022
引入了一种新的基于区块的恒星-星系分类方法,利用最新的Sloan Digital Sky Survey数据(SDSS-DR18),通过将天空按照SDSS观测模式进行分段,并使用专用的卷积神经网络(CNN),实现了恒星-星系分类的最新性能,初步结果证明了在实时观测环境下进行高效精确的天文分析的前景。
Apr, 2024
借助基于 Swin Transformer 结构的 deep learning 方法进行恢复图像分辨率的研究,提出了一种具有先进的稀疏小波框架的三步解卷积框架,与传统的 Firedec 算法相比,我们的方法在恢复分辨率、适应不同噪声特性和计算效率方面展示出巨大优势,对于从地面图像中识别远程宇宙中的结构具有很大的潜力。
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。
本文针对分割大型图像中的全球污染物的挑战进行了研究,通过处理多尺度特征并提出网格化注意机制,大大增加了效率。在新的天文图像数据集上展示了分割大型污染尘埃云的结果。
Jul, 2024