用于射电星系形态分类的特征引导训练与旋转标准化
天体物理仪器与方法
2023-04-12 v1
摘要
最先进的射电观测台产生大量数据，可用于研究射电星系的性质。然而，随着数据量的快速增长，手动处理所有 incoming 数据已不现实，这转而催生了用于数据处理任务（如形态分类）的自动化方法。深度学习在这一自动化过程中起着关键作用，且已表明卷积神经网络（CNNs）能在射电星系形态分类中提供良好性能。本文研究了将这些 CNNs 应用于射电星系分类的两项改进。第一项改进是在预处理期间使用主成分分析（PCA）将星系的主成分与坐标系的轴对齐，从而归一化星系的方向。该改进显著提升了 CNNs 的分类精度并减少了训练模型所需的平均时间。第二项改进是引导 CNN 在样本中寻找特定特征，试图利用领域知识改进训练过程。研究发现该改进通常带来更稳定的训练过程，且在某些情况下减少了网络内的过拟合以及所需的训练轮数。
引用
@article{arxiv.2304.05095,
title = {Feature Guided Training and Rotational Standardisation for the Morphological Classification of Radio Galaxies},
author = {Kevin Brand and Trienko L. Grobler and Waldo Kleynhans and Mattia Vaccari and Matthew Prescott and Burger Becker},
journal= {arXiv preprint arXiv:2304.05095},
year = {2023}
}
备注
20 pages, 17 figures, this is a pre-copyedited, author-produced PDF of an article accepted for publication in the Monthly Notices of the Royal Astronomical Society