使用群等变卷积神经网络对射电星系进行 Fanaroff-Riley 分类
天体物理仪器与方法
2021-03-10 v2 星系天体物理
摘要
卷积神经网络（CNNs）中的权值共享确保其特征图具有平移等变性。然而，尽管常规卷积对平移具有等变性，它们对输入图像数据的其他等距变换（如旋转和反射）并不具有等变性。对于射电星系等天文目标的分类，由于统计上预期其具有全局方向不变性，这种缺乏二面体等变性的缺陷意味着常规 CNN 必须显式地学习对特定类型目标的所有旋转版本逐一进行分类。在这项工作中，我们展示了群等变卷积神经网络在射电星系分类中的首次应用，并探索了它们通过保持欧几里得群 E(2)（包含平移、旋转和反射）的等变性来减少类内可变性的潜力。对于此处考虑的射电星系分类问题，我们发现无需额外超参数调优，使用循环和二面体模型均能适度提升分类性能，且 D16 等变模型提供了最佳的测试性能。我们使用蒙特卡洛 Dropout 方法作为贝叶斯近似来恢复作为图像方向函数的认知不确定性，并表明 E(2)-等变模型能够减少模型置信度随旋转的变化。
引用
@article{arxiv.2102.08252,
title = {Fanaroff-Riley classification of radio galaxies using group-equivariant convolutional neural networks},
author = {Anna M. M. Scaife and Fiona Porter},
journal= {arXiv preprint arXiv:2102.08252},
year = {2021}
}
备注
11 pages, 6 figures, accepted MNRAS