DeepAdversaries：銀河の形態分類のための深層学習モデルのロバスト性の調査
DeepAdversaries: Examining the Robustness of Deep Learning Models for Galaxy Morphology Classification 宇宙調査実験のデータ処理および分析パイプラインは、深層学習ベースのモデルのパフォーマンスを大幅に低下させる可能性のあるデータ摂動をもたらします。宇宙調査データの処理と分析のための教師あり深層学習手法の採用が増加していることを考えると、データ摂動効果の評価とモデルの堅牢性を高める手法の開発がますます重要になっています。銀河の形態分類の文脈で、画像データにおける摂動の影響を研究します。特に、ベースラインデータでトレーニングし、摂動データでテストするときにニューラルネットワークを使用した場合の結果を調べます。 2つの主要な原因に関連する摂動を考慮します：1）高レベルのポアソンノイズによって表さ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
https://arxiv-check-250201.firebaseapp.com/each/2404.15591v1
https://arxiv-check-250201.firebaseapp.com/each/2311.03867v1
医療画像における暗黙的な神経表現: 比較調査
DeepAdversaries：銀河の形態分類のための深層学習モデルのロバスト性の調査
データフリーの知識移転：調査
天文学における深層学習アルゴリズムのロバスト性-銀河の形態研究
リソースに制約のあるハードウェアでの単眼深度推定のための視覚領域適応
DANICE：神経画像圧縮を忘れずにドメインを適応させる