教机器看：基于生长神经气和层次聚类的无监督图像分割与分类
天体物理仪器与方法
2015-07-08 v1 宇宙学与河外天体物理
摘要
我们提出了一种新颖的无监督学习方法来自动分割和标记天文巡天中的图像。随着下一代巡天进入拍字节规模，这一过程的自动化将至关重要：数据量将超过甚至大型众包分析的能力。我们展示了如何使用生长神经气（GNG）来编码成像数据的特征空间。当与一种称为层次聚类的技术结合时，可通过组织 GNG 中的节点来自动分割和标记成像数据。无监督学习的关键区别在于这些标签无需在训练前已知，而是由算法自身确定。重要的是，训练后的网络可以处理从未“见过”的图像，并对特征提供一致的分类。作为概念验证，我们展示了在哈勃空间望远镜前沿场数据上的应用：包含多种星系类型的星系团图像，人类检查者很容易识别并分类。通过使用一个场（Abell 2744）训练算法并将结果应用于另一个场（MACS0416.1-2403），我们展示了该算法如何清晰分离出人类会关联到早型与晚型星系的图像特征。我们认为该算法有潜力作为下一代成像与光谱巡天自动分析和数据挖掘的工具，并也可能在天文学之外找到应用。
引用
@article{arxiv.1507.01589,
title = {Teaching a machine to see: unsupervised image segmentation and categorisation using growing neural gas and hierarchical clustering},
author = {Alex Hocking and James E. Geach and Neil Davey and Yi Sun},
journal= {arXiv preprint arXiv:1507.01589},
year = {2015}
}
备注
5 pages, submitted to MNRAS