用深度神经网络对宇宙大尺度结构进行分类
宇宙学与河外天体物理
2019-02-13 v1
摘要
我们首次将深度神经网络应用于宇宙大尺度结构中宇宙学纤维状结构和墙状结构的语义分割。我们的结果基于一个具有 U-Net 架构的深度卷积神经网络（CNN），该网络使用现有的最先进手动引导分割方法进行训练。我们成功训练并测试了一个基于 Voronoi 模型和 N 体模拟的 U-Net。Voronoi 模型预测的分割掩码在纤维和掩码上的 Dice 系数分别为 0.95 和 0.97。N 体模拟预测的分割掩码在墙和纤维上的 Dice 系数分别为 0.78 和 0.72。纤维掩码中相对较低的 Dice 系数是由于 U-Net 模型预测出了原始分割掩码中不存在的纤维。我们的结果表明，对于像 Voronoi 模型这样定义良好的数据集，U-Net 具有优异的性能。在 N 体数据集的情况下，U-Net 生成的纤维掩码质量高于最先进方法获得的分割掩码。U-Net 的表现优于用于训练它的方法，能够找到即使是手动引导分割未能识别的微弱纤维。这里提出的 U-Net 可以在几分钟内处理 体积，且不需要复杂的预处理。深度 CNN 作为下一代大体积计算机 N 体模拟和星系巡天的高效准确分析工具具有巨大潜力。
引用
@article{arxiv.1804.00816,
title = {Classifying the Large Scale Structure of the Universe with Deep Neural Networks},
author = {Miguel A. Aragon-Calvo},
journal= {arXiv preprint arXiv:1804.00816},
year = {2019}
}
备注
Submitted to MNRA. More images at www.dataviz.science/research_machinelearning.html