用于射电星系分类的CNN架构比较
星系天体物理
2021-02-09 v1
摘要
射电源的形态分类对于充分理解星系演化过程及其与局部环境性质的关系十分重要。此外,该问题的复杂性、对公民科学家的吸引力以及现有和即将建成的射电望远镜产生的大数据率,共同使射电源形态分类成为机器学习技术应用的理想测试用例。卷积神经网络(CNNs)是近年来显示出巨大前景的一种方法。然而,在CNNs与射电星系形态分类方面,文献缺乏两个主要方面。首先,需要就使用小型精选训练集训练CNNs执行射电星系形态分类时是否发生过拟合进行恰当分析。其次,需要对文献中CNN架构的实际适用性进行良好的比较研究。本文解决了这两个不足。后者的比较研究使用了多种性能指标,如推理时间、模型复杂度、计算复杂度和每类平均准确率。作为该研究的一部分,我们还探讨了感受野、步长与覆盖率对识别性能的影响。为完整起见,我们也研究了通过采用分类集成可获得的识别性能提升。提出了一种基于识别与计算性能的排序系统。MCRGNet、Radio Galaxy Zoo和ConvXpress(新型分类器)是能在计算需求与识别性能间取得最佳平衡的架构。
引用
@article{arxiv.2102.03780,
title = {CNN Architecture Comparison for Radio Galaxy Classification},
author = {Burger Becker and Mattia Vaccari and Matthew Prescott and Trienko Lups Grobler},
journal= {arXiv preprint arXiv:2102.03780},
year = {2021}
}
备注
20 pages, 11 figures, journal, accepted for publication by Monthly Notices of the Royal Astronomical Society