射电星系的形态分类：胶囊网络与卷积神经网络的比较
天体物理仪器与方法
2019-05-29 v1
摘要
下一代射电巡天将产生前所未有的海量数据，需要使用机器学习技术进行分析。卷积神经网络是在图像数据分类中证明最成功的深度学习技术。胶囊网络是一种较新的技术，使用由神经元组构成的胶囊来描述图像的属性，包括特征的相对空间位置。本研究探讨了不同胶囊网络架构与较简单的卷积神经网络架构在重现未分辨源、FRI 和 FRII 形态分类时的性能。我们利用了 LOFAR 巡天的图像，这是迄今为止最深的广域射电巡天，与以往的巡天相比揭示了更复杂的射电源结构，给机器学习算法带来了进一步的挑战。在原始和增强图像上进行训练时，4 层和 8 层卷积网络分别达到了 93.3% 和 94.3% 的平均精度，而胶囊网络的精度为 89.7%。实现迁移学习达到了 94.4% 的精度，处于 8 层卷积网络的置信区间内。卷积网络始终优于任何胶囊网络变体，因为它们对图像中的噪声表现出更强的鲁棒性。池化的使用似乎为射电星系形态的类内变异性提供了更大的自由度，同时也降低了噪声的影响。
引用
@article{arxiv.1905.03274,
title = {Morphological classification of radio galaxies: Capsule Networks versus Convolutional Neural Networks},
author = {V. Lukic and M. Brüggen and B. Mingo and J. H. Croston and G. Kasieczka and P. N. Best},
journal= {arXiv preprint arXiv:1905.03274},
year = {2019}
}
备注
17 pages, 11 figures, Accepted for publication in MNRAS