تصبح التعلم الآلي أداة مشهورة لتحديد أشكال المجرات وتحديد الدمج. ومع ذلك، يعتمد هذا التقنية على استخدام مجموعة مناسبة من البيانات التدريبية للنجاح. بالإضافة إلى ذلك، بالإشارة إلى تحليلات الهيدروديناميكية، والملاحظات الاصطناعية، وشبكات الأوراق المدرجة (CNNs)، نحن نقيم كيفية الحقيقية الصور المجرى المصنوعة التي يجب أن تكون لتصنيف دقيق للدمج. بالطبع، نحن نقارن أداء الشبكات المدربة على نوعين من الصور المجرى، وهي الخرائط النجمية والصور المضافة الضوئية الشاملة للتراب، بحيث يتم تطبيق ثلاث مستويات من الواقعية الملاحظة: (1) بدون آثار الملاحظة (الصور المثالية)، (2) السماء الواقعية ونقطة الانتشار الواقعية (الصور النصف واقعية)، (3) إدراجها في صورة السماء الواقعية (الصور الكاملة الواقعية). ونجد أن الشبكات المدربة على الصور المثالية أو النصف واقعية لديها أداء سيء عند تطبيقها على الصور الواقعية للمسح. على المقارنة، تحقق الشبكات المدربة على الصور الواقعية كاملة أداء 87.1٪ في التصنيف. من المهم أن الواقعية في الصور التدريبية هي الأكثر أهمية بكثير من ما إذا كانت الصور تشمل التحويل الضوئي أو ببساطة استخدمت الخرائط النجمية (87.1٪ مقارنة 79.6٪ في الدقة). لذلك، يمكن تجنب التكلفة الحاسوبية والتخزين الكبيرة لتشغيل التحويل الضوئي مع ترابطة بسيطة في الأداء التصنيف. يتطلب تجنب الحساسية للألوان في الشبكات الفوتومترية تخفيضا بسيطا في الأداء مع البيانات الواقعية للمسح (86.0٪ مع r-only مقارنة 87.1٪ مع gri). يظهر هذا النتيجة أن على الرغم من أن اللون يمكن استغلاله بواسطة الشبكات الحساسة للألوان، فإنه لا يلزم الوصول إلى دقة عالية وبالتالي يمكن تجنبه إذا أردنا. نحن نقدم إصدار عام لجنة الواقعية الإحصائية الخاصة بنا، RealSim، كمقابلة لهذه المقالة.
تحميل البحث