基于深度神经网络自编码器与高斯混合模型的射电星系形态生成
计算机视觉与模式识别
2018-06-04 v1
摘要
射电星系的形态受其中央活动星系核(AGN)的强烈影响,研究AGN可揭示超大质量黑洞(SMBH)的演化。在本工作中,我们提出了一种针对两类典型射电星系即Fanaroff-Riley I型(FRI)和II型(FRII)的形态生成框架,采用基于深度神经网络的自编码器(DNNAE)与高斯混合模型(GMMs)。DNNAE中的编码器与解码器子网络对称,中间由一个全连接层即承载所提取特征向量的编码层连接。随后利用三分量高斯混合模型随机生成特征向量,从而模拟新的FRI或FRII射电星系形态。实验在真实射电星系图像上展开,我们讨论了特征向量长度、损失函数选择,并比较了批归一化与dropout技术用于网络训练的情况。结果表明我们的形态生成框架具有高效性与高性能。代码见:https://github.com/myinxd/dnnae-gmm。
引用
@article{arxiv.1806.00398,
title = {Radio Galaxy Morphology Generation Using DNN Autoencoder and Gaussian Mixture Models},
author = {Zhixian Ma and Jie Zhu and Weitian Li and Haiguang Xu},
journal= {arXiv preprint arXiv:1806.00398},
year = {2018}
}
备注
Accepted by the 14th International Conference on Signal Processing (ICSP2018)