شبیه سازی مقاله طبقه بندی تصاویر کهکشان با شبکه عصبی عمیق با پایتون

توضیحات

شبیه سازی مقاله طبقه بندی تصاویر کهکشان با شبکه عصبی عمیق با پایتون

چکیده (ترجمه ماشینی)
ما یک نوع از شبکه های باقیمانده (ResNets) را برای طبقه بندی مورفولوژی کهکشان پیشنهاد می دهیم. این روش ، همراه با سایر شبکه های عصبی کانولوشن محبوب (CNN) ، برای نمونه ای از 28790 عکس کهکشان از مجموعه داده های Galaxy Zoo 2 اعمال می شود ، تا کهکشان ها را در پنج کلاس طبقه بندی کند ، یعنی کاملاً صاف ، بین صاف (بین کاملاً گرد و سیگار شکل) ، صاف سیگار برگ ، لبه دار و مارپیچ. معیارهای مختلف ، مانند دقت ، دقت ، فراخوانی ، مقدار F1 و AUC ، نشان می دهد که شبکه پیشنهادی عملکرد طبقه بندی پیشرفته ای را در میان شبکه های دیگر مانند Dieleman ، AlexNet ، VGG ، Inception و ResNets به دست می آورد. دقت طبقه بندی کلی شبکه ما در مجموعه آزمایش 95.2083٪ است و دقت هر نوع به شرح زیر ارائه می شود: کاملاً گرد ، 96.6785٪ ؛ در این بین ، 94.4238٪ سیگار برگ ، 58.6207٪ edge-on ، 94.3590٪ و مارپیچ ، 97.6953٪. الگوریتم مدل ما را می توان برای طبقه بندی کهکشان در مقیاس بزرگ در نظر سنجی های آینده ، مانند نظرسنجی Large Synoptic Survey Telescope (LSST) استفاده کرد. انجام پروژه پایتون

کلمات کلیدی طبقه بندی مورفولوژی کهکشان · یادگیری عمیق · شبکه های عصبی کانولوشن

مقدمه
کهکشان ها دارای اشکال ، اندازه ها و رنگ های متنوعی هستند. برای درک چگونگی ارتباط مورفولوژی کهکشان ها با فیزیکی که آنها را ایجاد می کند ، کهکشان ها باید طبقه بندی شوند. بنابراین طبقه بندی مورفولوژی کهکشان یک گام اساسی در مطالعه شکل گیری و تکامل کهکشان است. در سال 1926 ، ادوین هابل برای اولین بار “دنباله هابل” را با استفاده از بازرسی بصری با کمتر از 400 تصویر کهکشان (که “چنگال تنظیم هابل” نیز نامیده می شود) پیشنهاد داد و کهکشان ها را به سه نوع اساسی بیضوی ، مارپیچی و نامنظم طبقه بندی کرد (هابل 1926 ؛ Sandage 2005) “دنباله هابل” امروزه همچنان مورد استفاده قرار می گیرد. مدتهاست که ستاره شناسان از بازرسی بصری برای طبقه بندی کهکشانها و به روزرسانی طرح طبقه بندی هابل استفاده کرده اند. طی دهه های اخیر ، نظرسنجی های گسترده ای مانند Sloan Digital Sky Survey (SDSS) منجر به تولید تصاویر عظیم کهکشان شده است. طبقه بندی این تعداد عظیم از تصاویر توسط ستاره شناسان نه تنها وقت گیر است بلکه یک مأموریت غیرممکن است. سپس ، پروژه باغ وحش کهکشان ، که سعی در حل مشکل داشت ، آغاز شد (Lintott و همکاران 2008 ، 2010). Galaxy Zoo 1 با یک مجموعه داده شامل یک میلیون تصویر کهکشان SDSS ، تعداد زیادی از دانشمندان شهروند را به ارائه اطلاعات اولیه ریخت شناسی و شناسایی اینکهکشان “مارپیچی” ، “بیضوی” ، “ادغام” یا “ستاره / نیست بدانید »(لینتوت و همکاران 2008). این پروژه موفقیت چشمگیری کسب کرد و میلیون ها تصویر کهکشان طی چند ماه حاشیه نویسی شدند. سپس ، Galaxy Zoo 2 (Willett et al. 2013) ، Galaxy Zoo: Hubble (Willett et al. 2016) و Galaxy Zoo: Cosmic Assembly Near-Infrared Deep Extragalactic Legacy Survey (CANDELS) (Simmons et al. 2016) راه اندازی شدند. . متأسفانه ، این رویکردها نمی توانند همگام با سرعت رشد داده ها باشند. بنابراین ، ستاره شناسان دیدگاه خود را به یک روش طبقه بندی خودکار معطوف کرده اند. انجام پروژه برنامه نویسی

شبیه سازی مقاله طبقه بندی تصاویر کهکشان با شبکه عصبی عمیق با پایتون توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.