[论文解读] Radio Galaxy Classification with wGAN-Supported Augmentation
本文提出使用Wasserstein GAN（wGAN）生成逼真的合成射电星系图像，用于形态分类任务中的数据增强。通过在真实图像与wGAN生成图像的联合数据集上训练全连接神经网络，作者在四类射电星系分类任务中，相较于仅使用真实数据训练，F1得分相对提升了23%，证明了GAN增强数据能显著提升分类器性能。
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.
研究动机与目标
- 为下一代射电望远镜时代射电星系形态标注数据稀缺的问题提供解决方案。
- 探究生成模型是否能有效增强射电天文学中深度学习的有限训练数据。
- 评估在真实数据基础上加入wGAN生成图像后，分类器性能的提升情况。
- 证明基于wGAN的数据增强在天体物理图像分类中的可行性与有效性。
提出的方法
- 训练一种条件Wasserstein GAN（wGAN），以形态类别标签（FRI、FRII、Compact、Bent）为条件，生成逼真的射电星系图像。
- 在判别器网络中应用梯度惩罚，以强制满足1-Lipschitz约束，确保训练稳定并提升图像质量。
- 将真实射电星系图像预处理为128×128像素，归一化至[-1, 1]范围，并将低于3×RMS噪声水平的像素值设为噪声阈值。
- 将真实训练数据与不同比例（λ = 1至4）的生成图像结合，形成增强后的训练集。
- 在增强数据上训练一个简单的全连接神经网络，并使用标准指标评估性能。
- 使用多分类Brier评分，从十个独立训练运行中选择表现最佳的模型迭代。
实验结果
研究问题
- RQ1wGAN能否生成高保真、逼真的射电星系图像，适用于天体物理分类任务中的数据增强？
- RQ2在真实数据与wGAN生成图像的组合数据上训练分类器，是否相比仅使用真实数据能提升分类性能？
- RQ3生成图像与真实图像的比例（λ）如何影响分类器的泛化能力与收敛性？
- RQ4wGAN支持的数据增强是否能缓解小样本设置下常见的过拟合问题，并提升模型鲁棒性？
主要发现
- wGAN成功生成了高分辨率、逼真的射电星系图像，其噪声水平与训练数据一致，且未出现伪纹理等伪影。
- 使用增强数据时，验证损失随时间稳定下降，且相比仅使用真实数据的训练，过拟合现象被有效延迟。
- 表现最佳的模型采用λ = 4（生成图像数量为真实图像的四倍）进行训练，其F1得分比仅使用真实数据的基线模型高出(23 ± 2)%。
- Brier评分分析表明，增强后的模型预测更加自信且准确，反映出更好的校准性能。
- F1得分的提升在所有四种类别中均一致，表明分类鲁棒性得到全面增强。
- 结果表明，基于wGAN的数据增强是一种可行且有效的技术，可显著提升射电天文学中小样本场景下深度学习模型的性能。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。