[논문 리뷰] Deep Galaxy: Classification of Galaxies based on Deep Convolutional Neural Networks

Nour Eldeen M. Khalifa, Mohamed Hamed N. Taha외 2명|arXiv (Cornell University)|2017. 09. 02.

Face and Expression Recognition참고 문헌 10인용 수 30

한 줄 요약

이 논문은 1,356장의 레이블이 부여된 이미지를 사용하여 은하를 타원은하, 나선은하, 불규칙은하의 세 가지 주요 유형으로 분류하는 데 심층 합성곱 신경망(DCNN)인 Deep Galaxy을 제안한다. 아키텍처는 96개 필터를 가진 합성곱층과 두 개의 완전 연결층을 포함한 총 8개의 레이어로 구성되어 있으며, 테스트 정확도 97.272%를 달성하여 기존 방법보다 분류 성능에서 뛰어나다.

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.

연구 동기 및 목표

• 시각적 특징을 기반으로 은하를 정확하게 분류할 수 있는 딥러닝 모델을 개발하는 것.
• 천문학에서 수작업으로 은하를 분류하는 데 드는 시간과 주관성 문제를 해결하는 것.
• 은하 형태 분류에 있어 기존의 기계학습 및 딥러닝 방법보다 정확도를 향상시키는 것.
• 제한된 양이지만 다양한 은하 이미지 데이터셋에 대해 고안된 맞춤형 DCNN 아키텍처의 효과를 검증하는 것.

제안 방법

• 특징 추출을 위해 96개 필터를 가진 주요 합성곱층을 포함한 총 8개 레이어의 심층 합성곱 신경망(DCNN)을 설계하였다.
• 특징 추출 이후 최종 분류를 위해 두 개의 완전 연결층을 사용하였다.
• 은하 유형이 타원은하, 나선은하, 불규칙은하로 나누어진 총 1,356장의 은하 이미지 데이터셋을 사용하여 모델을 훈련시켰다.
• 표준 역전파와 확률적 경사 하강법을 사용하여 훈련을 수행하였으며, 다중 분류를 위해 소프트맥스 출력층을 사용하였다.
• 일반화 성능 향상을 위해 훈련 과정 내에서 데이터 증강 기법을 암묵적으로 적용하였다.
• 성능 평가를 위해 테스트 세트를 사용하였으며, 주요 평가 지표로 정확도를 보고하였다.

실험 결과

연구 질문

• RQ1 맞춤형 심층 합성곱 신경망은 기존 방법보다 은하 형태 분류 정확도를 높일 수 있는가?
• RQ2 8개 레이어로 구성된 얕은 DCNN 아키텍처는 타원은하, 나선은하, 불규칙은하를 구분하는 데 얼마나 효과적인가?
• RQ3 1,356장의 비교적 소규모 은하 이미지 데이터셋을 사용할 경우 딥러닝으로서의 성능 수준은 어느 정도 달성할 수 있는가?
• RQ4 제안된 모델은 기존 최첨단 접근 방식에 비해 정확도에서 어떻게 비교되는가?

주요 결과

• 제안된 Deep Galaxy 모델은 은하 분류 작업에서 테스트 정확도 97.272%를 달성하였다.
• 기타 관련 연구 대비 테스트 정확도에서 뛰어난 성능을 보이며, 뛰어난 분류 성능을 입증하였다.
• 단일 합성곱층과 두 개의 완전 연결층을 포함한 아키텍처 설계가 은하 이미지 분류에 효과적이었다.
• 높은 정확도는 딥러닝이 천문학에서 수작업 은하 분류에 비해 신뢰할 수 있고 효율적인 대안이 될 수 있음을 시사한다.
• 적은 양의 데이터셋(1,356장)이라도 잘 설계된 DCNN을 사용할 경우 강력한 성능을 달성할 수 있음을 시사한다.