Распознавание образов на сфере (на основе HEALPY)

Question

Я использую Tensorflow и Keras. Есть ли возможность добиться правильного распознавания образов для изображений на поверхности сферы? Я использую (Healpy framework) для создания моих скинов, на которых должно работать распознавание образов. Проблема в том, что эти Healpy skymaps являются одномерными массивами numpy, поэтому компактный подзадача может быть распределен по этому 1d массиву. На самом деле это довольно сложно изучить для базового алгоритма машинного обучения (я думаю о сверточной глубокой сети).

Конкретная задача в этом контексте заключалась бы в подсчете блоков на поверхности сферы (см. Прилагаемый image). Для этой конкретной задачи правильное число будет 8. Итак, я создал 10000 skymaps (настройки Healpy: nside = 16, соответствующие npix = 3072), каждый из которых имеет случайное число блобов между 0 и 9 (таким образом, 10 возможностей). Я попытался решить эту проблему с 1d Healpy массива и простым каналом Форвард сетью:

model = Sequential() 
model.add(Dense(npix, input_dim=npix, init='uniform', activation='relu')) 
model.add(Dropout(0.25)) 
model.add(Dense(10, init='uniform', activation='softmax')) 
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) 

model.fit(skymaps, number_of_correct_sources, batch=100, epochs=10, validation_split=1.-train) 

, однако, после тренировки с 10000 skymaps испытательной установка дала точность только 38%. Я предполагаю, что это значительно увеличится при обеспечении реального расположения клеток Healpy (как это видно на сфере) вместо 1d массива. В этом случае можно использовать сверточную сеть (Convolution2d) и работать как для обычного распознавания изображений. Любые идеи о том, как правильно отображать healpy клетки в массиве 2d или использовать сверточную сеть непосредственно на сфере?

Спасибо!

Answer 1

Это трудный способ решения относительно простой проблемы, которая бесстыдно 2-D!

Если объекты, которые вы ищете, так же важны, как на рисунке, создайте карту данных 2_d, а затем установите порог для ряда пороговых уровней: самые высокие пороги выбирают самые яркие объекты. Любая непрерывная проекция, такая как Aitoff или Hammmer, сделает, и для устранения краевых проблем используйте повороты проекции. Сегментированные прогнозы, такие как Healpix, хороши для хранения данных, но не обязательно идеальны для анализа данных.

Если карта имеет плохой сигнал на шум, так что вы ищете объекты в муре шума, то требуется некоторая сложность, возможно, даже некоторый алгоритм нейронной сети. Однако вы можете взглянуть на анализ данных Планка на кластерах галактик Суньяева-Зельдовича, самым ранним из которых является, возможно, https://arxiv.org/abs/1101.2024 (Документ VIII). В последующих статьях уточняются и дополняются.

(Это должен был быть комментарий, но мне не хватает репутации.)