#Galaxy Zoo

2건의 기사

Captivating image of the Horsehead Nebula in the Orion constellation, showcasing vivid colors and cosmic beauty.

천문·천체물리

유클리드 VIS 이미지를 AI 학습용으로: 형태 분류·이상 탐지·유사 이미지 검색을 위한 확장형 파이프라인

유클리드(Euclid) 미션의 VIS 컷아웃 이미지를 224×224 표준 입력으로 변환하고 사전학습된 DINOv2 ViT-S/14 특징 추출기로 처리해, Galaxy Zoo Euclid(Q1) 카탈로그 기반의 365,513행·384차원 컷아웃-임베딩 데이터셋을 구축한 파이프라인이 공개됐다. 365,513개 컷아웃의 초기 생산에는 약 48시간이 걸렸으며, 이는 초당 2.12개 컷아웃의 처리 속도에 해당한다. 성능 평가에서 릿지 회귀 프로브는 카탈로그 4개 항목에 대해 결정계수 0.377~0.596을 기록했고, 전체 라벨 1% 예산 조건에서 고정 MLP의 macro-F1은 3개 과제에서 0.802~0.861이었으나 데이터 불균형이 큰 나선은하 과제에서는 0.484에 그쳤다. 연구진은 이상 탐지 워크플로로 설정 의존적인 후보 1,681개를 찾아냈으며, 표준화된 이미지 인터페이스와 재사용 가능한 사전학습 임베딩이 유클리드 Q1 공개 표본 규모에서 여러 후속 분석을 지원할 수 있음을 보였다고 밝혔다.

arXiv astro-ph.IM (관측기기)2026년 9월 29일

KENNEDY SPACE CENTER, FLA. - Against a sunrise-painted sky at NASA Kennedy Space Center, Miles O’Brien (left), co-anchor on CNN’s American Morning, checks his notes during a talk on air with NASA Ad

천문·천체물리

군중 주석에서 배우는 딥러닝: 은하 형태 분류의 기초

연구진은 갤럭시 주(Galaxy Zoo 1)의 시민과학 주석 데이터를 학습 자료로 삼아 은하 형태를 자동 분류하는 합성곱 신경망(CNN)을 훈련하고, 학습 방식·주석자 간 일치도·분류 체계의 계층 구조가 정확도에 미치는 영향을 분석했다. 마지막 층만 학습할 때보다 신경망 전체를 학습시키면 완전 일치 기준 정확도가 10% 향상됐고, 학습 데이터가 적을 때는 계층 구조 활용과 단계별 전이학습(커리큘럼 학습)이 정확도를 높였으며 앙상블도 효과가 있었다. 신경망의 모든 층을 학습시키고 주석자 간 일치도가 높은 데이터를 사용한 경우 99% 이상의 정확도를 달성했다. 다만 가장 어려운 사례에서는 정확도가 낮았고, 연구진은 군중 주석 기반 딥러닝 학습이 확정적 주석 학습보다 추가적인 난제를 안고 있다고 결론지었다.

arXiv astro-ph.GA (은하)2026년 9월 9일