“Deep learning on galaxy morphology profile”的版本间差异

来自cluster
跳到导航 跳到搜索
无编辑摘要
无编辑摘要
标签手工回退
第8行: 第8行:
[[File:111.png|500px|center]]
[[File:111.png|500px|center]]
以上网络用二维卷积神经网络将星系数据对一个参数进行拟合。以下是训练单参数——星等的训练结果:
以上网络用二维卷积神经网络将星系数据对一个参数进行拟合。以下是训练单参数——星等的训练结果:
[[File:train_loss.png|500px|center]] [[File:Train_r2.png|500px|center]]
[[File:train_loss.png|500px|center]] [[File:train_r2.png|500px|center]]
[[File:test_loss.png|500px|center]] [[File:test_r2.png|500px|center]]
[[File:test_loss.png|500px|center]] [[File:test_r2.png|500px|center]]

2022年2月28日 (一) 07:08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。
   第一项工作旨在复现文章《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。
   用GalSim软件生成星系数据时,因为真实星系数据维度大小不一,即将生成的数据的维度大小也设定为随机。用该python库进行生成50000个星系信息,将其以8:1:1的比例分割为训练集、测试集和验证集。为处理不同大小的星系图像,本文采用标准大小为128*128大小的二维数据,将形状不同于128*128大小的数据,剪切大于128*128像素的星系图像的中心,填充小于128*128像素的图像的边缘。
   
   实验中构建与原文结构相似的神经网络结构,所用的神经网络结构如下图所示:
111.png
   以上网络用二维卷积神经网络将星系数据对一个参数进行拟合。以下是训练单参数——星等的训练结果:
Train loss.png
Test loss.png
Test r2.png