[論文レビュー] Deep Galaxy: Classification of Galaxies based on Deep Convolutional Neural Networks

Nour Eldeen M. Khalifa, Mohamed Hamed N. Taha+2 more|arXiv (Cornell University)|Sep 2, 2017

Face and Expression Recognition参考文献 10被引用数 30

ひとこと要約

本論文は、1,356枚のラベル付き画像を用いて、楕円銀河、渦巻銀河、不規則銀河の3つの主なタイプに銀河を分類するための深層畳み込みニューラルネットワーク（DCNN）であるDeep Galaxyを提案する。アーキテクチャは8層構成であり、96フィルタを備えた畳み込み層と2つの全結合層を含み、テスト精度が97.272%に達し、分類性能において先行手法を上回っている。

ABSTRACT

In this paper, a deep convolutional neural network architecture for galaxies classification is presented. The galaxy can be classified based on its features into main three categories Elliptical, Spiral, and Irregular. The proposed deep galaxies architecture consists of 8 layers, one main convolutional layer for features extraction with 96 filters, followed by two principles fully connected layers for classification. It is trained over 1356 images and achieved 97.272% in testing accuracy. A comparative result is made and the testing accuracy was compared with other related works. The proposed architecture outperformed other related works in terms of testing accuracy.

研究の動機と目的

• 視覚的特徴に基づいて銀河を正確に分類できる深層学習モデルの開発を目的とする。
• 天文学における手作業による銀河分類の課題、すなわち時間のかかりすぎることと主観的であることへの対処を目的とする。
• 銀河形態の分類精度を、既存の機械学習および深層学習手法を上回ることを目的とする。
• 限定的だが多様な銀河画像データセット上で、独自のDCNNアーキテクチャの有効性を検証することを目的とする。

提案手法

• 特徴抽出のための1つの主要な畳み込み層（96フィルタ）を備えた8層構成の深層畳み込みニューラルネットワーク（DCNN）を設計した。
• 特徴抽出の後、最終分類のために2つの全結合層を用いた。
• モデルは、楕円銀河、渦巻銀河、不規則銀河の3つのカテゴリにラベル付けされた1,356枚の銀河画像から成るデータセットで学習された。
• 標準的な誤差逆伝播法と確率的勾配降下法を用い、多クラス分類のためのソフトマックス出力層を備えた。
• 一般化性能の向上を図るため、学習プロセスを通じて暗黙的にデータ拡張技術が適用された。
• モデルの性能はテストセットを用いて評価され、主な指標として精度が報告された。

実験結果

リサーチクエスチョン

• RQ1 独自に設計した深層畳み込みニューラルネットワークは、既存手法よりも高い分類精度を達成できるか？
• RQ2 8層構成の浅いDCNNアーキテクチャは、楕円銀河、渦巻銀河、不規則銀河を区別するのにどの程度効果的か？
• RQ3 1,356枚という比較的小さなデータセットを用いた場合、深層学習でどの程度の性能が達成できるか？
• RQ4 提案手法は、銀河分類分野における先行の最先端手法と比較して、どの程度の精度を示すか？

主な発見

• 提案されたDeep Galaxyモデルは、銀河分類タスクにおいて97.272%のテスト精度を達成した。
• 他の関連研究を上回るテスト精度を示し、優れた分類性能を実証した。
• 1つの畳み込み層と2つの全結合層を備えたアーキテクチャの設計が、銀河画像分類において有効であることが判明した。
• 高い精度は、深層学習が天文学における手作業による銀河分類の信頼性の高い効率的代替手段となり得ることを示唆している。
• 1,356枚という比較的小さなデータセットでも、適切に設計されたDCNNを用いることで強力な性能が得られることを示している。