基于深度残差网络的星系形态分类
文献类型：期刊论文
| 作者 | 戴加明; 佟继周 |
| 刊名 | 天文学进展
 |
| 出版日期 | 2018 |
| 卷号 | 36期号:4页码:384-397 |
| 关键词 | 星系 形态分类 卷积神经网络 残差网络 |
| ISSN号 | 1000-8349 |
| 其他题名 | Galaxy Morphology Classification Using Deep Residual Networks |
| 英文摘要 | 星系形态与星系的形成和演化有着密切的联系,因此星系形态分类(galaxy morphology classification)成为研究不同星系物理特征的重要过程之一.斯隆数字巡天(Sloan Digital Sky Survey, SDSS)等大型巡天计划产生的海量星系图像数据对星系形态的准确、实时分类提出了新的挑战,而深度学习(deep learning)算法能有效应对这类海量星系图片的自动分类考验.面向星系形态分类问题提出了一种改进的深度残差网络(residual network, ResNet),即ResNet-26模型.该模型对残差单元进行改进,减少了网络深度,并增加了网络宽度,实现了对星系形态特征的自动提取、识别和分类.实验结果表明,与Dieleman和ResNet-50等其他流行的卷积神经网络(convolution neural network, CNN)模型相比,ResNet-26模型具有更优的分类性能,可应用于未来大型巡天计划的大规模星系形态分类系统. |
| 语种 | 中文 |
| CSCD记录号 | CSCD:6395241 |
| 源URL | [http://ir.nssc.ac.cn/handle/122/7010]  |
| 专题 | 国家空间科学中心_保障部/保障与试验验证中心 |
| 推荐引用方式 GB/T 7714 | 戴加明,佟继周. 基于深度残差网络的星系形态分类[J]. 天文学进展,2018,36(4):384-397. |
| APA | 戴加明,&佟继周.(2018).基于深度残差网络的星系形态分类.天文学进展,36(4),384-397. |
| MLA | 戴加明,et al."基于深度残差网络的星系形态分类".天文学进展 36.4(2018):384-397. |
入库方式： OAI收割
来源：国家空间科学中心
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。