دانلود شبیه سازی مقاله طبقه بندی مورفولوژی کهکشان به کمک شبکه عصبی عمیق

پروژه طبقه بندی تصاویر کهکشان در پایتون

کهکشان ها دارای شکل ها، اندازه ها و رنگ های مختلفی هستند. برای درک اینکه ریخت های کهکشان ها چه ارتباطی به اصول فیزیکی ایجاد کننده آنها دارند، لازم است کهکشان ها را دسته بندی کنیم. بنابراین، دسته بندی ریخت شناختی کهکشان یکی از گام های کلیدی در مطالعه تشکیل و تکامل کهکشان ها می باشد. در سال 1926، ادوین هابل، با استفاده از بررسی چشمی کمتر از 400 تصویر از کهکشان ها، «دنباله هابل» را پیشنهاد داد (که همچنین «دیاپازون هابل» نیز نامیده می شود) و کهکشان ها را به سه نوع تقسیم بندی کردند: بیضوی، مارپیچ و غیرمنظم. هنوز هم امروزه از عبارت «دنباله هابل» استفاده می شود. مدت های متمادی، اخترشناسان از بررسی چشمی برای دسته بندی کهکشان ها و روزآمد کردن طرح دسته بندی هابل استفاده می کردند. در دهه های اخیر، مطالعات مقیاس بزرگ مانند «مطالعه دیجیتال آسمان اسلاون» (SDSS)، منجر به بدست آمدن تعداد زیادی تصاویر از کهکشان ها شد. دسته بندی این تعداد زیاد تصاویر بوسیله اخترشناسان نه تنها وقتگیر بلکه یک ماموریت غیرممکن است.

در این مقاله، یک نوع ResNets را برای دسته بندی ریخت شناسی کهکشان پیشنهاد می دهیم. در اینجا، 28790 کهکشان را با استفاده از دیتاست Galaxy Zoo 2، به 5 دسته: کاملاً گرد و هموار، هموار درمیان (بین کاملاً گرد و سیگار شکل)، هموار سیگار شکل، «لبه نما» (edge-on) و مارپیچ، تقسیم بندی می کنیم. در مرحله پیش پردازش داده ها، یک کانال پیش پردازش کامل ارائه می شود و پنج فرم تقویت داده برای اجتناب از اضافه برازش بکار گرفته می شوند، بخصوص روش اعوجاج مقیاس که تعداد تصاویر آموزشی را بسیار زیاد می کند. مزیت شبکه ما، ترکیب مدل Dieleman با ResNets است که در آن تلاش می کنیم عمق را کاهش دهیم و ResNet را عریض کنیم. از یک واحد باقیمانده «تنگنایی» (bottleneck) با پیش فعالسازی کامل «BN-ReLU-Conv»، استفاده می کنیم. برای اجتناب از بیش برازش، از «بیرون اندازی» بعد از یک کانولوشن 3×3، استفاده می کنیم. شبکه ما 26 لایه با 26.3 میلیون پارامتر دارد. یک مقایسه نظام مند بین این مدل و CNN های مشهور دیگر مرتبط با یادگیری عمیق، مانند Dieleman، AlexNet، VGG، Inception و ResNet ها، انجام می دهیم. مدل ما به بهترین عملکرد دسته بندی با دقت کلی 95.2083% برروی مجموعه آزمون دست پیدا می کند درحالی که دقت 5 نوع کهکشان کاملاً گرد، 96.6785%؛ در میان، 94.4238%؛ سیگار شکل، 58.6207%؛ لبه نما، 94.3590% و مارپیچ، 97.6953% می باشد. دقت میانگین، 94.6528% می باشد بخاطر اینکه مخصوصاً برای تصاویر کهکشانی طراحی شده است. با اینکه AlexNet، VGG، Inception و ResNetها، برای ImageNet طراحی شده اند، اما همگی به ترتیب به عملکرد عالی با دقت های 92.2569%، 93.6458%، 94.5139% و 94.6857% دست پیدا می کنند، که این بخاطر تعمیم پذیری خوب آنها می باشد. با ترسیم وزن های فیلتر و نقشه های ویژگی، تلاش می کنیم درک کنیم مدل CNN چه چیزهایی را یاد می گیرد. برای نمونه، فیلترهای لایه اول، لبه ها، گوشه های مختلف کهکشان و موارد دیگر را از پیکسل های اصلی، شناسایی می کنند و سپس لبه ها برای شناسایی شکل های ساده، مانند شکل های میله یا یک بیضی در فیلترهای لایه دوم، استفاده می شوند. سپس، این شکل ها برای شناسایی ویژگی های پیشرفته تر در فیلترهای لایه سطح بالا بکار گرفته می شوند. همچنین، در می یابیم که فیلترهای مختلف، اطلاعات رنگی مختلفی، عمدتاً قرمز و آبی که متناظر با رنگ خود کهکشان هستند، مانند یک کهکشان بیضوی قرمز یا یک کهکشان مارپیچ آبی، را نیز یاد می گیرند. با توجه به فعال سازی هر لایه برروی یک تصویر کهکشان، تعدادی از نقشه های ویژگی، هسته میانی را تشخیص می دهند، تعدادی قسمت زمینه را در لایه اول تشخیص می دهند و نقشه های ویژگی، حباب های انتزاعی را با ترکیبی از ویژگی های سطح بالا در لایه های بالاتر، تشخیص می دهند. علاوه بر آن، بعد از لایه های تجمیع (pooling layers)، مشتق پذیری هر نقشه ویژگی قویتر می شود که این دقیقاً همان انتظاری است که از مدل دسته بندی داریم.

این مقاله مربوط به سال 2019 بوده و در برنامه پایتون پیاده سازی شده است و برای موضوعات مربوط به شبکه عصبی و یادگیری عمیق، مناسب می باشد