基于少样本学习的星系形态分类
星系天体物理
2022-05-04 v2 天体物理仪器与方法
摘要
星系形态分类学在天体物理学中至关重要，因为形态特征是星系演化的有力示踪量。随着即将开展的大视场成像巡天，数十亿星系图像向天文学家提出挑战，要求以传统方法或人工检视完成分类任务。因此，机器学习尤其是监督深度学习近年来因其卓越的自动化、效率与准确性被广泛用于星系形态分类。然而，监督深度学习需要大量训练集，造成可观工作负担；且结果强烈依赖于训练集特性，可能导致潜在偏差。本研究尝试采用少样本学习规避这两类问题。我们采用 Kaggle 上 Galaxy Zoo Challenge Project 的数据集，并依据相应真值表将其分为五类。通过使用基于 Siamese Networks 的少样本学习，以及基于 AlexNet、VGG_16 和 ResNet_50 且分别以不同规模训练集训练的监督和深度学习对上述数据集分类，我们发现少样本学习在大多数情形下取得最高准确率，且当训练集含 1000 张图像时较 AlexNet 提升最为显著，达 。此外，为保证准确率不低于 90\%，少样本学习需约 6300 张图像训练，而 ResNet_50 需 13000 张。鉴于上述优势，可预见少样本学习适用于星系形态分类乃至仅由观测数据构成的有限训练集下的罕见天体物理对象识别。
引用
@article{arxiv.2202.08172,
title = {Classifying Galaxy Morphologies with Few-Shot Learning},
author = {Zhirui Zhang and Zhiqiang Zou and Nan Li and Yanli Chen},
journal= {arXiv preprint arXiv:2202.08172},
year = {2022}
}