基于 wGAN 数据增强的射电星系形态分类
天体物理仪器与方法
2023-06-16 v2 星系天体物理
摘要
对天文源进行形态分类的机器学习技术常常受限于标记训练数据的匮乏。本文关注射电星系形态分类的监督式深度学习模型，这对于即将开展的大型射电巡天尤为切合时宜。我们展示了利用生成模型（具体而言为 Wasserstein GAN（wGAN））为不同类别的射电星系生成数据。进一步，我们研究了用 wGAN 生成的图像扩充训练数据对三种不同分类架构的影响。我们发现该技术能够改进射电星系形态分类模型。一个简单的全连接神经网络（FCN）从训练集中加入生成图像获益最多，其分类准确率得到显著提升。此外，我们发现改进复杂分类器更为困难。卷积神经网络（CNN）的分类性能可获轻微提升，但视觉 Transformer（ViT）则并非如此。
引用
@article{arxiv.2212.08504,
title = {Morphological Classification of Radio Galaxies with wGAN-supported Augmentation},
author = {Lennart Rustige and Janis Kummer and Florian Griese and Kerstin Borras and Marcus Brüggen and Patrick L. S. Connor and Frank Gaede and Gregor Kasieczka and Tobias Knopp and Peter Schleper},
journal= {arXiv preprint arXiv:2212.08504},
year = {2023}
}
备注
15 pages, 7+6 figures, 1+5 tables; v2: matches published version in RASTI