天文图像的自监督表示学习
天体物理仪器与方法
2022-06-30 v2 人工智能
摘要
天空巡天是天文学中最大的数据产生者，使得从数据中提取有意义科学信息的自动化工具成为绝对必要。我们表明，无需标签，自监督学习即可恢复天空巡天图像的语义上有益于多种科学任务的表示。这些表示可直接用作特征，或经微调后，优于仅在标签数据上训练的监督方法。我们在斯隆数字巡天（SDSS）的多波段星系测光数据上应用对比学习框架来学习图像表示。随后将其用于星系形态分类，并针对测光红移估计进行微调，使用的标签来自 Galaxy Zoo 2 数据集与 SDSS 光谱。在这两项下游任务中，使用相同的学习表示，我们均优于监督式最先进（SOTA）结果，并且表明我们的方法在使用少 2-4 倍标签进行训练时即可达到监督模型的精度。
引用
@article{arxiv.2012.13083,
title = {Self-Supervised Representation Learning for Astronomical Images},
author = {Md Abul Hayat and George Stein and Peter Harrington and Zarija Lukić and Mustafa Mustafa},
journal= {arXiv preprint arXiv:2012.13083},
year = {2022}
}
备注
The codes, trained models, and data can be found at https://portal.nersc.gov/project/dasrepo/self-supervised-learning-sdss