“Deep learning on galaxy morphology profile”的版本间差异
跳到导航
跳到搜索
无编辑摘要 |
无编辑摘要 |
||
| 第3行： | 第3行： | ||
引文提出了一种基于二维卷积神经网络的二维光度星系轮廓建模新方法：DeepLeGATo，以实现对星系形态的自动化和快速分析。 |
引文提出了一种基于二维卷积神经网络的二维光度星系轮廓建模新方法：DeepLeGATo，以实现对星系形态的自动化和快速分析。 |
||
首先用GalSim，根据随机参数生成相关星系的信息文件。因为深度学习需要大量的图像和参数样本，而图像手工标注的成本太高；且对进行注释人员专业知识要求较高。用参数生成数据集为较方便的实验方法。 |
首先用GalSim，根据随机参数生成相关星系的信息文件。因为深度学习需要大量的图像和参数样本，而图像手工标注的成本太高；且对进行注释人员专业知识要求较高。用参数生成数据集为较方便的实验方法。 |
||
复现文章所用的神经网络结构如下图1所示： |
|||
[[File:111.png|500px|center]] |
[[File:111.png|500px|center]] |
||
'''图 1''' |
|||
2022年2月27日 (日) 16:33的版本
本项目主要根据星系形态将星系图片拟合至其形态参数。 第一步工作旨在复现文章《Deep learning for galaxy surface brightness profile fitting》中用星系信息对星系的参数进行拟合任务，星系形态参数包含星系的星等、星系的轮廓Sersic指数、星系的半光半径和星系的轴比。 引文提出了一种基于二维卷积神经网络的二维光度星系轮廓建模新方法：DeepLeGATo，以实现对星系形态的自动化和快速分析。 首先用GalSim，根据随机参数生成相关星系的信息文件。因为深度学习需要大量的图像和参数样本，而图像手工标注的成本太高；且对进行注释人员专业知识要求较高。用参数生成数据集为较方便的实验方法。 复现文章所用的神经网络结构如下图1所示：
图 1