[论文解读] 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 30

一句话总结

本文提出一种名为 Deep Galaxy 的深度卷积神经网络（DCNN），利用 1,356 幅带标签图像，将星系分类为三种主要类型——椭圆星系、螺旋星系和不规则星系。该网络架构包含 8 个层，其中包括一个具有 96 个滤波器的卷积层和两个全连接层，测试准确率达到 97.272%，在分类性能上优于先前的方法。

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.

研究动机与目标

• 开发一种深度学习模型，能够基于视觉特征准确分类星系。
• 解决天文学中手动星系分类所面临的耗时且主观的问题。
• 在星系形态分类方面，提升现有机器学习与深度学习方法的分类准确率。
• 在有限但多样化的星系图像数据集上，验证自定义 DCNN 架构的有效性。

提出的方法

• 设计了一个包含 8 个层的深度卷积神经网络（DCNN），其中包含一个主卷积层，使用 96 个滤波器进行特征提取。
• 在网络完成特征提取后，使用两个全连接层进行最终分类。
• 该模型在包含 1,356 幅带标签星系图像的数据集上进行训练，图像被划分为三类：椭圆星系、螺旋星系和不规则星系。
• 通过标准反向传播和随机梯度下降进行训练，使用 softmax 输出层实现多分类。
• 通过训练过程隐式应用数据增强技术，以提高模型的泛化能力。
• 使用测试集评估模型性能，准确率作为主要评估指标。

实验结果

研究问题

• RQ1 自定义的深度卷积神经网络能否在星系形态分类任务中实现高于现有方法的分类准确率？
• RQ2 具有 8 个层的浅层 DCNN 架构在区分椭圆星系、螺旋星系和不规则星系方面效果如何？
• RQ3 在相对较小的 1,356 幅星系图像数据集上，使用深度学习可达到何种性能水平？
• RQ4 与先前的最先进方法相比，所提出的模型在星系分类中的准确率表现如何？

主要发现

• 所提出的 Deep Galaxy 模型在星系分类任务中实现了 97.272% 的测试准确率。
• 在测试准确率方面，该模型优于其他相关工作，表现出更优越的分类性能。
• 该架构的设计（单个卷积层加两个全连接层）在星系图像分类中被证明是有效的。
• 高准确率表明，深度学习可作为天文学中手动星系分类的可靠且高效替代方案。
• 结果表明，即使使用相对较小的 1,356 幅图像数据集，只要 DCNN 架构设计得当，也能获得优异的性能。