[論文レビュー] Radio Galaxy Classification with wGAN-Supported Augmentation

Janis Kummer, L. Rustige+7 more|arXiv (Cornell University)|Jan 1, 2022

Radio Astronomy Observations and Technology被引用数 3

ひとこと要約

本論文では、形態的分類のためのデータ拡張において、リアルな人工ラジオ銀河画像を生成するために Wasserstein GAN（wGAN）を提案する。実画像とwGANで生成された画像を組み合わせたデータセット上で全結合ニューラルネットワークを訓練することで、実データのみで訓練した場合に比べてF1スコアが23%相対的に向上し、GANによるデータ拡張が4クラスラジオ銀河分類タスクにおける分類器性能を顕著に向上させることを示している。

ABSTRACT

Novel techniques are indispensable to process the flood of data from the new generation of radio telescopes. In particular, the classification of astronomical sources in images is challenging. Morphological classification of radio galaxies could be automated with deep learning models that require large sets of labelled training data. Here, we demonstrate the use of generative models, specifically Wasserstein GANs (wGAN), to generate artificial data for different classes of radio galaxies. Subsequently, we augment the training data with images from our wGAN. We find that a simple fully-connected neural network for classification can be improved significantly by including generated images into the training set.

研究の動機と目的

• 次世代ラジオ望遠鏡の時代におけるラジオ銀河分類のための形態的ラベル付きデータの不足に対処すること。
• 生成モデルがラジオ天文学におけるディープラーニングの限られた訓練データを効果的に拡張できるかどうかを調査すること。
• 実データに加えてwGANで生成された画像を用いて訓練した分類器の性能向上を評価すること。
• wGANに基づくデータ拡張が天文学的画像分類において実用的で効果的であることを示すこと。

提案手法

• 形態的クラスラベル（FRI、FRII、Compact、Bent）を条件として、リアルなラジオ銀河画像を生成する条件付きWasserstein GAN（wGAN）を訓練する。
• 評価ネットワークにおける1-Lipschitz制約を満たすために勾配ペナルティを適用し、安定した訓練と向上した画像品質を確保する。
• 実ラジオ銀河画像を128×128ピクセルに前処理し、[-1, 1]にスケーリングし、3×RMSノイズ未満のピクセル値をノイズ閾値に設定する。
• 実訓練データと生成画像を異なる比率（λ = 1 から 4）で組み合わせて拡張された訓練セットを形成する。
• 拡張されたデータ上でシンプルな全結合ニューラルネットワークを訓練し、標準指標を用いて性能を評価する。
• 10回の独立した訓練ランで得られたモデルのうち、最も優れた性能を示したイテレーションを選択するために多クラスBrierスコアを用いる。

実験結果

リサーチクエスチョン

• RQ1 wGANは、天文学的分類タスクにおけるデータ拡張に適した高精細でリアルなラジオ銀河画像を生成できるか？
• RQ2 実画像とwGANで生成されたラジオ銀河画像の組み合わせで訓練した分類器は、実データのみで訓練した場合に比べて分類性能が向上するか？
• RQ3 生成画像と実画像の比率（λ）が分類器の一般化性能および収束特性に与える影響は何か？
• RQ4 wGANを支援とする拡張は、ラジオ天文学で一般的な小規模データ環境における過学習を緩和し、モデルの頑健性を向上させることができるか？

主な発見

• wGANは、トレーニングデータと同等のノイズレベルを有し、偽テクスチャなどのアーティファクトを示さない高解像度でリアルなラジオ銀河画像を効果的に生成した。
• 拡張データを用いた場合、検証損失は時間経過とともに安定して低下し、実データのみの訓練に比べて過学習が遅延した。
• 最も優れた性能を示したモデルは、λ = 4（生成画像が実画像の4倍）の設定で訓練されたもので、F1スコアが実データのみのベースラインに比べて(23 ± 2)%高い結果を達成した。
• Brierスコア分析により、拡張されたモデルがより自信を持ってかつ正確な予測を下しており、キャリブレーションの向上が裏付けられた。
• F1スコアの向上は全4クラスにわたり一貫しており、分類の頑健性が広く向上していることを示している。
• 結果から、wGANに基づくデータ拡張は、ラジオ天文学における低データ環境におけるディープラーニングモデルの強化に実用的で効果的な手法であることが示された。