用于改进射电星系分类的注意力门控

在这项工作中，我们引入注意力作为一种最先进的机制，利用卷积神经网络对射电星系进行分类。我们提出了一种基于注意力的模型，其性能与先前的分类器相当，同时使用的参数比该领域下一个最小的经典 CNN 应用少 50% 以上。我们定量地展示了注意力门控中使用的归一化与聚合方法的选择如何影响单个模型的输出，并表明由此产生的注意力图可用于解释模型所作的分类选择。我们观察到，我们模型识别的显著区域与专家人类分类者进行等效分类时会关注的区域吻合良好。我们表明，虽然归一化与聚合的选择可能仅极小地影响单个模型的性能，但它会显著影响相应注意力图的可解释性，并且通过选择一个与天文学家肉眼分类射电源方式吻合良好的模型，用户可以更有效地使用该模型。