基于高效视觉变换器的星系形态分类
星系天体物理
2022-02-07 v2
摘要
量化星系形态一直是天体物理学中理解星系形成与演化的重要任务。近年来，由于若干正在进行和即将开展的巡天，数据规模急剧增长。通过 Galaxy Zoo 项目的公民科学以及特别是卷积神经网络（CNNs）的机器学习，已探索了对进一步研究感兴趣目标的标注与识别。本工作中，我们首次探索了 Vision Transformer (ViT) 在星系形态分类中的使用。我们表明 ViT 可取得与 CNNs 相竞争的结果，并特别擅长分类尺寸更小、更暗的星系。基于这一有前景的初步结果，我们相信 ViT 网络架构可成为下一代巡天中星系形态分类的重要工具。我们的开源代码公开于 \url{https://github.com/sliao-mi-luku/Galaxy-Zoo-Classification}。
引用
@article{arxiv.2110.01024,
title = {Galaxy Morphological Classification with Efficient Vision Transformer},
author = {Joshua Yao-Yu Lin and Song-Mao Liao and Hung-Jin Huang and Wei-Ting Kuo and Olivia Hsuan-Min Ou},
journal= {arXiv preprint arXiv:2110.01024},
year = {2022}
}
备注
11 pages, 4 figures, accepted by the NeurIPS Machine Learning and the Physical Sciences workshop