In dieser Arbeit wird ein neuartiger sektorbasierter Ansatz zur Stern-Galaxie-Klassifizierung vorgestellt. Der Himmel wird in 36 Sektoren unterteilt, die an das Beobachtungsmuster des Sloan Digital Sky Survey (SDSS) angepasst sind. Für jeden Sektor wird ein eigenes, einfaches Convolutional Neural Network (CNN) trainiert, um die Klassifizierung zu optimieren.
Die Ergebnisse zeigen, dass der vorgeschlagene Algorithmus die bestehenden Methoden deutlich übertrifft, sowohl für einzelne Sektoren als auch für den kombinierten Datensatz. Der Algorithmus erreicht eine Genauigkeit von 95,25% im Vergleich zu 88,62% und 92,10% für die Vergleichsalgorithmen CovNet und MargNet. Darüber hinaus ist der vorgeschlagene Ansatz deutlich recheneffizienter, mit einer Laufzeit von 25 Sekunden pro Epoche gegenüber 180 Sekunden und 1610 Sekunden für die Vergleichsalgorithmen.
Die Autoren zeigen auch, dass der Algorithmus robust gegenüber unbekannten Sektoren ist und eine hohe Zuverlässigkeit aufweist. Insgesamt bietet der vorgeschlagene sektorbasierte Ansatz eine vielversprechende Lösung für die präzise und effiziente Klassifizierung von Sternen und Galaxien, insbesondere in Echtzeit-Beobachtungsumgebungen.
To Another Language
from source content
arxiv.org
Viktige innsikter hentet fra
by Anumanchi Ag... klokken arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.01049.pdfDypere Spørsmål