[논문 리뷰] Radio Galaxy Classification with wGAN-Supported Augmentation

Janis Kummer, L. Rustige외 7명|arXiv (Cornell University)|2022. 01. 01.

Radio Astronomy Observations and Technology인용 수 3

한 줄 요약

이 논문은 다음세대 전파망원경 시대의 형태학적 분류 작업에서 데이터 증강을 위해 와서슈타인 GANs(wGANs)를 사용하여 현실적인 인공 전파은하 이미지를 생성하는 것을 제안한다. 실재 데이터만을 사용한 학습 대비, 실재 및 wGAN로 생성된 이미지의 병합 데이터셋에 대해 완전히 연결된 신경망을 학습시킴으로써, 네 클래스로 구성된 전파은하 분류 작업에서 F1 스코어가 23% 향상됨을 입증하였다. 이는 GAN 기반 데이터 증강이 분류기 성능을 크게 향상시킨다는 것을 보여준다.

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.

연구 동기 및 목표

• 다음세대 전파망원경 시대에 전파은하 형태학적 데이터의 레이블이 부족한 문제를 해결하기 위해.
• 생성 모델이 빈도 높은 깊이 학습을 위한 제한된 학습 데이터를 효과적으로 증강할 수 있는지 조사하기 위해.
• 실재 데이터에 더해 wGAN로 생성된 이미지를 포함한 데이터로 학습한 분류기의 성능 향상을 평가하기 위해.
• 천체물리학적 이미지 분류 작업에서 wGAN 기반 데이터 증강의 가능성과 효과를 입증하기 위해.

제안 방법

• 형태학적 유형 레이블(FRI, FRII, Compact, Bent)에 조건부로 지정된 실재적인 전파은하 이미지를 생성하기 위해 조건부 와서슈타인 GAN(wGAN)을 학습시켰다.
• 비판자 네트워크에서 1-립시츠 제약 조건을 강제하기 위해 기울기 페널티를 적용하여 안정적인 학습과 향상된 이미지 품질을 확보했다.
• 실재 전파은하 이미지를 128×128 픽셀로 전처리하고, [-1, 1] 범위로 스케일링하며, 3×RMS 노이즈 이하의 픽셀 값을 노이즈 임계값으로 설정했다.
• 실재 학습 데이터와 다양한 비율(λ = 1에서 4까지)의 생성 이미지를 병합하여 증강된 학습 세트를 구성했다.
• 증강된 데이터에 대해 단순한 완전 연결 신경망을 학습하고 표준 지표를 사용해 성능을 평가했다.
• 10번의 독립된 학습 런에 걸쳐 최고 성능을 보인 모델 반복을 선택하기 위해 다중 클래스 브리어 스코어를 사용했다.

실험 결과

연구 질문

• RQ1 wGAN은 천체물리학적 분류 작업의 데이터 증강에 적합한 고해상도이고 현실적인 전파은하 이미지를 생성할 수 있는가?
• RQ2 실재 데이터와 wGAN로 생성된 전파은하 이미지의 조합으로 학습한 분류기는 실재 데이터만으로 학습한 경우보다 분류 성능이 향상되는가?
• RQ3 생성 이미지와 실재 이미지의 비율(λ)이 분류기의 일반화 및 수렴에 어떤 영향을 미치는가?
• RQ4 wGAN 기반 증강은 빈도 높은 전파천문학적 환경에서의 소규모 데이터 설정에서 과적합을 완화하고 강건성을 향상시킬 수 있는가?

주요 결과

• wGAN은 훈련 데이터 수준의 노이즈 수준을 유지하면서 아티팩트(예: 가짜 텍스처 등) 없이 고해상도이고 현실적인 전파은하 이미지를 성공적으로 생성하였다.
• 증강된 데이터를 사용할 경우 검증 손실이 시간이 지남에 따라 안정적으로 감소하였고, 실재 데이터만 사용한 학습 대비 과적합이 지연되었다.
• 가장 뛰어난 성능을 보인 모델은 λ = 4(생성 이미지가 실재 이미지의 네 배)로 설정된 학습에서, 실재 데이터 전용 기반 모델 대비 F1 스코어가 (23 ± 2)% 높았다.
• 브리어 스코어 분석을 통해 증강된 모델이 더 확신 있고 정확한 예측을 내놓았으며, 보다 우수한 校정(calibration)을 반영했다.
• F1 스코어 향상은 네 유형 전반에서 일관되게 관찰되어 분류의 강건성 향상이 널리 발생했다.
• 결과적으로 wGAN 기반 데이터 증강은 전파천문학에서 데이터가 적은 환경에서 깊이 학습 모델을 향상시키는 타당하고 효과적인 방법임을 입증했다.