Galaxy ZOO银河星空图的识别分类

最新推荐文章于 2024-06-26 09:32:07 发布
最新推荐文章于 2024-06-26 09:32:07 发布
阅读量2.7k 收藏 2
点赞数 1
分类专栏： 深度学习入门
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pandav5/article/details/51158662
版权
本文探讨了2015年Galaxy-Zoo项目中使用深度学习，特别是卷积神经网络（convnets）对星空图进行分类的方法。通过转移学习、数据增强、正则化手段来应对过拟合问题，包括随机旋转、缩放、平移和颜色扰动等预处理技术。此外，还提及maxout层在减少过拟合方面的效果。
摘要由CSDN通过智能技术生成


本文是以2015年，Galaxy-zoo星空图分类展开叙述，主要归纳了论文中的重点方法和技巧

http://benanne.github.io/2014/04/05/galaxy-zoo.html


挑战赛： Kaggle 

素材来源：Galaxy Zoo users (zooites) would classify images of galaxies from the Sloan Digital Sky Survey.

users are asked to describe the morphology of galaxies based on images.  The questions form a decision tree which is shown in the figure below, 



My solution: convnets

my solution is based around convolutional neural networks (convnets). 

Transfer learning by pre-training a deep neural network on another dataset (say, ImageNet), chopping off the top layer and then training a new classifier,  There were no requests to use external data in the 

最低0.47元/天 解锁文章
不良CV研究生
关注
专栏目录
深度学习在天文学中的应用 - 使用CNN模型在GalaxyZoo数据集上进行星系形态分类任务。
sybh的博客
04-29 630
GalaxyZoo数据集是一个由众包方式标注的星系形态分类数据集，包含超过60000张星系图像。每张图像都被标注为12个星系形态特征的概率分布，例如螺旋臂的数量、中央凸起的大小等。本篇博客介绍了如何使用Python中的Keras框架实现CNN模型来在GalaxyZoo数据集上进行星系形态分类任务。我们首先加载了数据集，并使用图像生成器生成了训练、验证和测试集。然后我们实现了CNN模型，并使用交叉熵损失函数和Adam优化器来训练这个模型。最后，我们评估了这个模型在测试集上的性能。
Galaxy Zoo Challenge解决方案小结
灰巧克力爱松露
10-17 1345
Galaxy Zoo Challenge解决方案小结 1.过拟合 如果不过拟合，说明你的网络不够大。模型过拟合问题缓和： （1）数据增强 （2）Dropout和权重归一化约束 （3）修改网络架构来增加参数共享 2.预处理和数据增强 a.剪裁和下采样 424*424的彩色图像裁剪成207*207，3倍下采样成69*69，使得网络的输入大小可管理。
探索深空：DeepMoon - 利用深度学习识别月球陨石坑的神器
最新发布
gitblog_00072的博客
06-26 377
探索深空：DeepMoon - 利用深度学习识别月球陨石坑的神器 项目地址:https://gitcode.com/silburt/DeepMoon 在宇宙探索的道路上，我们始终寻求更高效的技术来解读天体的秘密。今天，我们向你推荐一个开源项目——DeepMoon，这是一个基于TensorFlow的深度学习框架，专为识别月球上的陨石坑而设计。由多伦多大学的科学家团队开发，这个工具能帮助我们在浩渺星空...
Astronomaly：利用 CNN 和主动学习识别 400 万张星系图像中的异常
网易智能
10-09 218
By 超神经星系中的异常现象是我们了解宇宙的关键。然而，随着天文观测技术的发展，天文数据正以指数级别增长，超出了天文工作者的分析能力。尽管志愿者可以在线上参与对天文数据的处理，但他们只能进行一些简单的分类，还可能会遗漏一些关键数据。为此，研究者基于卷积神经网络和无监督学习开发了 Astronomaly 算法。近日，西开普大学的研究人员首次将 Astronomaly 用于大规模的数据分析，尝试从 4...
GalaxyZoo:Kaggle 上 Galaxy Zoo 竞赛的代码使用
06-14
银河动物园 这是“X”队参加银河动物园的代码。 您需要使用 qlua 安装火炬。 应下载训练数据并将其解压缩到“数据”目录。 要运行程序，请执行命令 $ qlua main.lua 该程序对正在训练的卷积神经网络进行了很好的可视化。 您可以轻松更改文件“config.lua”中的所有配置。 这是不言自明的。 如有任何问题或疑问，请联系 xiang.zhang [at] nyu.edu 要查看此代码的 BSD 许可证，请参阅文件 LICENSE。
太空相关公开数据集
weixin_56831217的博客
07-13 946
背景描述詹姆斯韦伯被认为是美国宇航局哈勃太空望远镜的强大继任者，哈勃望远镜在过去 30 多年中一直围绕地球运行，相比地球表面的天文设备，其可以更深入地了解宇宙，获得更详细的信息。包括了整个 SMACS J0723.3-7327（简称0723）星系团当中的数千个星系，它是人类太空观测历史上最深，也最清晰的一张照片——你看到的每一个椭圆形的光斑，都是一个和银河系相当甚至更巨大的星系。图中暗红色的天体，经过大约131亿年左右才被韦伯望远镜拍摄到，而已知的宇宙年龄，为138亿年左右。换句话说，这个暗红色的天体，在宇
tsne_galzoo:SDSS 星系的 t-SNE 可视化。 聚类基于 Galaxy Zoo 收集的形态
06-02
tsne_galzoo SDSS 星系的 t-SNE 可视化。 聚类基于收集的形态。 运行python tsne_galzoo.py将 下载并解压 800 MB 的图像数据（约 20 分钟）， 使用scikit-learn t-SNE 实现（约 60 分钟），将 10k 个随机选择的...
FaceX-Zoo 人脸识别项目
08-21
FaceX-Zoo是一个用于人脸识别的PyTorch工具箱。它提供了一个培训模块，其中包含各种监督负责人和骨干，以实现最先进的面部识别，以及一个标准化的评估模块，只需编辑一个简单的配置，就可以评估大多数流行基准中的...
基于Python实现手写文字识别
商务合作 / 项目定制 / 学习交流。个人vx：lovely_wml
10-23 4万+
基于Python实现手写文字识别，对学生日常作业及考试试卷中的手写内容进行自动识别，实现学生作业、考卷的线上批阅及教学数据的自动分析，提升教职人员工作效率，促进教学管理的数字化和智能化。
processing 星空图数据可视化效果
04-12
用processing写的数据可视化的效果，具体分析的是企业网络数据，约十万行的数据。。采用的可视化效果是星空图。星空图有简单的交互功能。 自己参考文献写出来的小东西，没有用什么高深的算法，很简单理解。 做了一些优化，运行速度可以蛮快的，可以接受。
经典动态星空图1211
10-18
代码简洁
gz_vis_nodes:使用节点树的 Galaxy Zoo 可视化
07-07
gz_vis_nodes 使用节点树的 Galaxy Zoo 可视化 节点树是使用 d3 和 js 制作的。 要在本地运行，只需在浏览器中打开 index.html。 可以通过拖动节点来移动节点，并通过单击它们来折叠节点。 第二次单击将重新展开节点。 节点将尝试自行安排，以便获得最多选票的节点排在最前面。 底部有 3 个滑块可用于调整树： Charge ：节点相互排斥的程度 Link Strength ：链接的弹性程度 Friction ：运动的阻尼程度 Reset按钮会将所有滑块设置回它们的默认位置。
Android GNSS 可视卫星星空图/卫星天顶图 原理及画法介绍
x1471898145的博客
08-06 1万+
目录1 概念介绍2 绘制步骤2.1 获取卫星信息2.2 绘制底图 效果图： 1 概念介绍 首先介绍一下方位角和高度角的概念： 方位角：是从某点的指北（地理北极）方向线起，依顺时针方向到目标方向线之间的水平夹角。 高度角：从一点至观测目标的方向线与水平面间的夹角。 卫星天顶图 即是根据每一颗卫星的方位角和高度角将其画在以观测位置为中心的天顶图上。 天顶图其底图为由外向内的三个圆和四条直线。三个圆由外向内依次代表高度角0°、30°、60°，中心点代表90°；四条直线分别表示正北-正南、东北-西南、正东
深度学习 开源图片数据库
繁华星空
12-02 591
https://blog.csdn.net/chaipp0607/article/details/71403797
SAR（遥感 卫星） 图像常用数据集
hftytf的博客
11-09 5246
SAR（遥感 卫星） 图像常用数据集
图像数据库
热门推荐
年轻即出发，
07-14 8万+
ImageNet          ImageNet 是一个计算机视觉系统识别项目，是目前世界上图像识别最大的数据库。是美国斯坦福的计算机科学家李飞飞模拟人类的识别系统建立的。能够从图片识别物体。目前已经包含14197122张图像，是已知的最大的图像数据库。每年的ImageNet大赛更是魂萦梦牵着国内外各个名校和大型IT公司以及网络巨头的心。图像如下图所示，需要注册ImageNet帐号才可以下
常用图像数据集大全（分类，跟踪，分割，检测等）
彼岸花
03-22 4万+
常用图像数据集大全（分类，跟踪，分割，检测等） 1.搜狗实验室数据集： http://www.sogou.com/labs/dl/p.html 互联网图片库来自sogou图片搜索所索引的部分数据。其中收集了包括人物、动物、建筑、机械、风景、运动等类别，总数高达2,836,535张图片。对于每张图片，数据集中给出了图片的原图、缩略图、所在网页以及所在网页中的相关文本。200多G 2 h
galaxy zoo2数据集介绍
12-07
Galaxy Zoo2 数据集是一个包含约300,000个星系图像的数据集，由天文学家和公众志愿者合作创建。这些星系图像是通过英国伦敦大学学院的望远镜拍摄的，并由众包的方式进行分类和标注。这个数据集的目的是让公众参与天文学研究，通过他们的帮助来帮助科学家理解宇宙中星系的形成和演化。 Galaxy Zoo2 数据集中的星系图像被分类为不同的类型，例如螺旋星系、椭圆星系、不规则星系等。志愿者们需要根据这些图像的形态和特征进行分类和标注，这些数据对于研究宇宙中星系的分布、形态和演化有着重要的意义。研究人员利用这些数据来研究星系的形态特征和演化过程，从中发现了许多新的星系类型和演化规律。 除了帮助天文学家进行科研工作外，Galaxy Zoo2 数据集还为公众提供了参与天文学研究的机会，让更多人了解宇宙的奥秘并参与到科学研究中。这个数据集的开放性和公众参与性使其在天文学研究领域具有重要的意义。通过分析和研究这个数据集，科学家们可以更好地理解宇宙中星系的形态和演化，为宇宙学研究提供了重要的数据支持。Galaxy Zoo2 数据集已经成为天文学研究的重要资源之一，为我们认识宇宙提供了更多宝贵的信息。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值