Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images

要約

ここ数十年で、スローン デジタル スカイ サーベイ (SDSS) などの大規模なスカイ サーベイにより、膨大な量のデータが生成されました。
天文学者によるこの膨大な量のデータの分類には時間がかかります。
このプロセスを簡素化するために、2007 年にギャラクシー ズーと呼ばれるボランティア ベースの市民科学プロジェクトが導入され、分類にかかる時間が大幅に短縮されました。
ただし、ディープ ラーニングのこの現代では、この分類タスクを自動化することで、分類にかかる時間が短縮されるため、非常に有益です。
過去数年間、銀河を複数のクラスに分類するという驚異的な仕事をする多くのアルゴリズムが提案されてきました。
しかし、これらのアルゴリズムはすべて、銀河を 6 つ未満のクラスに分類する傾向があります。
しかし、私たちが銀河について知っている詳細な情報を考慮すると、銀河を 8 つ以上のクラスに分類する必要があります。
この研究では、SDSS データを拡張されたハッブル音叉から 10 のクラスに分類するためのニューラル ネットワーク モデルが提案されています。
円盤縁銀河と円盤面銀河には細心の注意が払われ、各クラスに関連するさまざまな下部構造と微細な特徴が区別されます。
提案されたモデルは、この方法を完全に自動化する機能を抽出するための畳み込み層で構成されています。
達成されたテスト精度は 84.73% であり、授業でそのような詳細を考慮した後、たまたま期待できるものです。
畳み込み層に加えて、提案されたモデルには、分類を担当するさらに 3 つの層があるため、アルゴリズムの消費時間が短縮されます。

要約(オリジナル)

In recent decades, large-scale sky surveys such as Sloan Digital Sky Survey (SDSS) have resulted in generation of tremendous amount of data. The classification of this enormous amount of data by astronomers is time consuming. To simplify this process, in 2007 a volunteer-based citizen science project called Galaxy Zoo was introduced, which has reduced the time for classification by a good extent. However, in this modern era of deep learning, automating this classification task is highly beneficial as it reduces the time for classification. For the last few years, many algorithms have been proposed which happen to do a phenomenal job in classifying galaxies into multiple classes. But all these algorithms tend to classify galaxies into less than six classes. However, after considering the minute information which we know about galaxies, it is necessary to classify galaxies into more than eight classes. In this study, a neural network model is proposed so as to classify SDSS data into 10 classes from an extended Hubble Tuning Fork. Great care is given to disc edge and disc face galaxies, distinguishing between a variety of substructures and minute features which are associated with each class. The proposed model consists of convolution layers to extract features making this method fully automatic. The achieved test accuracy is 84.73 per cent which happens to be promising after considering such minute details in classes. Along with convolution layers, the proposed model has three more layers responsible for classification, which makes the algorithm consume less time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google