数据高效的射电星系分类
天体物理仪器与方法
2021-11-02 v2 机器学习
摘要
射电星系的连续谱辐射通常可按照形态分为不同类别，如 FRI、FRII、Bent 或 Compact。在本文中，我们探索基于形态、使用深度学习方法进行射电星系分类的任务，重点在于使用小规模数据集（ 个样本）。我们应用基于 Twin Networks 的少样本学习技术，以及使用预训练 DenseNet 模型的迁移学习技术，并结合周期性学习率和判别性学习等先进技术来快速训练模型。我们使用性能最佳的模型达到了超过 92\% 的分类准确率，最大的混淆来源在于 Bent 与 FRII 型星系之间。我们的结果表明，专注于小规模但经过筛选的数据集，并加以使用训练神经网络的最佳实践，可以带来良好的结果。自动化分类技术对于下一代射电望远镜即将开展的巡天观测至关重要，这些巡天预计在不久的将来会发现数十万个新的射电星系。
引用
@article{arxiv.2011.13311,
title = {Data-Efficient Classification of Radio Galaxies},
author = {Ashwin Samudre and Lijo George and Mahak Bansal and Yogesh Wadadekar},
journal= {arXiv preprint arXiv:2011.13311},
year = {2021}
}
备注
11 pages, 8 figures, Accepted for publication in MNRAS