旋涡星系图像中所蕴含的旋臂信息,尤其是旋臂数量,对研究星系结构演化和星系动力学具有重要价值.在当前星系观测数据爆发式增长的背景下,如何快速识别出旋臂数量成为旋涡星系研究的重要问题.基于Galaxy Zoo DECaLS(Dark Energy Camera L...
详细信息
旋涡星系图像中所蕴含的旋臂信息,尤其是旋臂数量,对研究星系结构演化和星系动力学具有重要价值.在当前星系观测数据爆发式增长的背景下,如何快速识别出旋臂数量成为旋涡星系研究的重要问题.基于Galaxy Zoo DECaLS(Dark Energy Camera Legacy Survey)数据集,研究ResNet(Residual Networks)模型从旋涡星系图像中识别旋臂数量的方法,通过对比分析ResNet在不同网络层数下的实验结果,得出具有32层网络结构的ResNet模型,即ResNet32效果最佳,其总体准确率为83%,识别效果优于ViT(Vision Transformer)、EfficientNet和DenseNet等网络模型.在对不同旋臂数量的识别方面,识别准确率与训练样本的多少有较强的关系,拥有2个旋臂的图像数量有6800张,其F1分数(F1-Score)值达到0.9,而有4个旋臂的图像数量只有237张,其F1-Score值也最低.实验进一步分析了融合传统星系图像特征的识别效果,发现融合传统星系图像特征在提升旋臂数量识别方面作用有限.
针对小样本学习过程中样本数量不足导致的性能下降问题,基于原型网络(Prototype network,ProtoNet)的小样本学习方法通过实现查询样本与支持样本原型特征间的距离度量,从而达到很好的分类性能.然而,这种方法直接将支持集样本均值视为类原型,在一定程度上加剧了对样本数量稀少情况下的敏感性.针对此问题,提出了基于自适应原型特征类矫正的小样本学习方法(Few-shot learning based on class rectification via adaptive prototype features,CRAPF),通过自适应生成原型特征来缓解方法对数据细微变化的过度响应,并同步实现类边界的精细化调整.首先,使用卷积神经网络构建自适应原型特征生成模块,该模块采用非线性映射获取更为稳健的原型特征,有助于减弱异常值对原型构建的影响;然后,通过对原型生成过程的优化,提升不同类间原型表示的区分度,进而强化原型特征对类别表征的整体效能;最后,在3个广泛使用的基准数据集上的实验结果显示,该方法提升了小样本学习任务的表现.
暂无评论