分类： 天文学 提交时间： 2024-04-12 合作期刊: 《天文学报》
摘要： 星系的形态与星系的形成和演化息息相关, 其形态学分类是星系天文学后续研究的重要一环. 当前海量天文观测数据的出现使得天文数据自动分析方法越来越得到重视, 针对此问题, 利用先进的深度学习骨干网络EfficientNetV2, 分析不同的注意力机制类型和使用节点对网络性能的影响, 构建了一种命名为EfficientNetV2-S-Triplet7 (即在EfficientNetV2-S stage7的1\times1卷积层后加入Triplet模块)的改进算法模型来实现星系形态学的自动分类. 使用第二期星系动物园(Galaxy Zoo 2, GZ2)中超过24万张的测光图像作为初始数据进行实验测试. 在对数据进行预处理时采取了尺寸抖动、翻转、色彩畸变等图像增强手段来解决图像数量的不平衡问题. 在同一系列经典和前沿的深度学习算法模型AlexNet、ResNet-34、MobileNetV2、RegNet进行对比实验后, 得出EfficientNetV2-S-Triplet7算法在分类准确率、查全率和F1分数等指标上具有最好的测试结果. 在9375张测试图像中的3项指标值分别可达到89.03\%、90.21\%、89.93\%, 查准率达到89.69\%, 在其他模型中排在第3位. 该结果表明将EfficientNetV2-S-Triplet7算法应用于大规模星系数据的形态学分类任务中有很好的效果.
分类： 天文学 >> 天文学 提交时间： 2023-03-13 合作期刊: 《天文研究与技术》
摘要： 提出了一种基于Xception结构的天体目标自动分类算法，该算法可有效应用于星系、恒星和类星体的自动分类问题。算法以Xception为基础框架，通过选择最优激活函数，加入注意力机制等方式进行改进。随机选择SDSS-DR16测光图像数据中的11543个星系、10490个类星体和11967个恒星共34000个观测源g，r和i的3个波段的图像作为实验数据，并设计多组实验进行算法验证和测试，综合分析所有实验结果得出本文算法在准确率、精确率、召回率和F1分数等关键指标分别达到了90.26%，90.01%，89.86%和89.85%。相同数据集与其他13种经典和流行的卷积神经网络（Convolutional Neural Network, CNN）算法的实验测试结果对比表明，本文提出的Xception-AS算法具有更加优异的分类性能，证明本文算法在解决天体目标自动分类问题具有优越性。
点击量
通过
点击量
下载量
评论
