使用 EfficientNet 架构的星系形态分类

我们研究了 EfficientNets 的使用及其在星系形态分类中的应用。我们探索使用 EfficientNets 预测来自 Kaggle 上 Galaxy Zoo 2 挑战的 79,975 张测试图像的投票比例。我们使用标准竞赛指标即 rmse 分数评估该模型，并以 0.07765 的公开分数在公开排行榜上排名前三。我们提出了一种使用 EfficientNetB5 的微调架构，将星系分为七类——完全圆形平滑、介于平滑之间、雪茄形平滑、透镜状、棒旋、无棒旋和不规则。该网络与其他流行的卷积网络一起用于对 29,941 张星系图像进行分类。使用准确率、召回率、精确率、F1 分数等不同指标评估模型性能，并与其他最先进的卷积模型进行比较研究，以确定哪一个表现最佳。我们的分类模型获得了 93.7% 的准确率和 0.8857 的 F1 分数。EfficientNets 可应用于未来光学空间巡天中的大规模星系分类，这将提供如 Large Synoptic Space Telescope 的大量数据。