关键词morphological classification
搜索结果 - 9
- 一见钟情:基于大型多模态模型的天文图像零样本分类
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-Ne - 贝叶斯和卷积网络用于星系的层次形态分类
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。
- 基于深度学习的猪形态分类,重点关注卫生监测
评估使用 D-CNN 算法对猪体条件进行分类的研究,主要关注卫生监测中观察到的特征,包括尾部咬食、耳血肿、身体擦伤、发红和自然污渍(棕色或黑色)。研究结果表明,D-CNN 对与皮肤特征相关的猪体形态偏差具有有效分类能力,并通过分析 Prec - 解剖结构中的二阶运动曲面拟合
基于第二阶速度场的动力学曲面拟合方法在医学图像分析中发挥了重要作用,能够更准确地检测解剖结构的对称性,并通过相关的曲率和扭矩等内在形状参数实现形态分类。通过临床测试,该方法被证明在评估复杂解剖形状方面具有巨大潜力。
- 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。
- 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 - 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%。
- 通过机器学习复现星系形态:星系动物园
此论文提出了一种使用机器学习进行形态分类的方法,并在 SDSS DR6 目录中测试了该方法的效果,并发现利用自适应形状参数、浓度和纹理等参数可以改善算法分类效果,并证明使用 Galaxy Zoo 目录可以为下一代广域成像调查提供宝贵的训练集 - 来自 SDSS 的星系视觉检查导出的形态学
通过 Galaxy Zoo 项目,从 Sloan 数字巨星勘测中提取了近一百万个星系,邀请公众通过互联网对其进行视觉形态分类研究,得到了早期数据集所没有的新的形态分类目录,避免了代理变量引入偏差的情况,同时还可以通过颜色 - 等级图表直接比