用于光学星系形态分类的深度学习架构比较
机器学习
2022-04-06 v1 星系天体物理
天体物理仪器与方法
摘要
星系形态分类在理解星系形成与演化中起着关键作用。传统上，该过程由人工完成。深度学习技术的出现为这一过程自动化提供了空间。因此，本文对深度学习架构进行比较，以确定哪种最适合光学星系形态分类。采用 Walmsley 等人于 2021 年提出的模型训练方法，使用 Zoobot Python 库以 EfficientNet B0、DenseNet121 和 ResNet50 作为核心模型架构训练模型，预测志愿者作出的 Galaxy Zoo DECaLS 决策树响应。随后利用预测结果生成每个决策树问题的准确率度量以判定架构性能。发现 DenseNet121 在准确率方面取得最佳结果，且训练时间合理。未来，使用更多深度学习架构进一步测试可能有所裨益。
引用
@article{arxiv.2111.04353,
title = {A Comparison of Deep Learning Architectures for Optical Galaxy Morphology Classification},
author = {Ezra Fielding and Clement N. Nyirenda and Mattia Vaccari},
journal= {arXiv preprint arXiv:2111.04353},
year = {2022}
}