基于半监督群等变CNN的射电星系形态分类
天体物理仪器与方法
2023-10-10 v1 计算机视觉与模式识别
摘要
在估计的数万亿个星系中，仅有约一百万个通过射电频率被探测到，且只有极小一部分（约一千个）被人工分类。我们通过采用半监督学习方法将这些射电星系分类为已知的Fanaroff-Riley I型（FRI）和II型（FRII）类别，解决了射电星系有标签与无标签图像之间的这种不平衡。我们使用群等变卷积神经网络（G-CNN）作为前沿自监督方法SimCLR（一种用于视觉表示对比学习的简单框架）和BYOL（Bootstrap Your Own Latent）的编码器。G-CNN保持欧几里得群E(2)的等变性，使其能够有效学习全局定向特征图的表示。在表示学习之后，我们训练了一个全连接分类器，并用有标签数据微调训练好的编码器。我们的研究结果表明，我们的半监督方法在包括簇质量、收敛速度、准确率、精确率、召回率和F1分数在内的若干指标上优于现有的前沿方法。此外，通过t检验的统计显著性测试显示，我们的方法超越了全监督G-CNN的性能。本研究强调了在标签数据仍然稀缺但发现前景巨大的射电星系分类中半监督学习的重要性。
引用
@article{arxiv.2306.00031,
title = {Morphological Classification of Radio Galaxies using Semi-Supervised Group Equivariant CNNs},
author = {Mir Sazzat Hossain and Sugandha Roy and K. M. B. Asad and Arshad Momen and Amin Ahsan Ali and M Ashraful Amin and A. K. M. Mahbubur Rahman},
journal= {arXiv preprint arXiv:2306.00031},
year = {2023}
}
备注
9 pages, 6 figures, accepted in INNS Deep Learning Innovations and Applications (INNS DLIA 2023) workshop, IJCNN 2023, to be published in Procedia Computer Science