Deep learning 寻找超新星的CNN（神经网络）

我是主修物理和计算机科学的学生。我的任务之一是找到超新星。超新星的发现既乏味又困难。 通过对比现在和以前的照片，我们可能会在照片上发现一些亮点，那可能是超新星。 这样地， 画面中有很多杂音，由于仪器的不稳定，总会有很多鬼斑，或者其他光线造成幻觉

然而，超新星有一些明显的特征，它总是出现在固定恒星周围。光的形状是圆形的。等等。已经有一些传统的方法用于此。但是他们没有很好的表现

所以我想知道是否值得在CNN上试一试。 CNN能在哪种数据上做得好？

谢谢

所以我想知道是否值得在CNN上试一试

我认为CNN在这个问题上做得太过火了

CNN能在哪些方面做得好

结构中具有复杂局部关系和大量特征的数据。在局部帧上使用卷积来学习表示

你的问题很简单。你没有太多的参数，例如颜色是灰度，超新星的表现都包含在它出现的附近

我认为使用一些非常简单的算法可能会取得更大的成功，例如：

• 找到所有固定的星星
• 搜索任何带有特定参数的大“斑点”灯光
• 寻找任何光圈

这些单独将大大减少问题的计算量。在此基础上，您可以采取多种ML方法

---

CNN通常用于具有高度复杂非线性关系的超大数据集。这（可能？）是一个大数据集，但在这个特定任务中肯定并不复杂。

我很确定您已经逐像素分析了图像并比较了多个图像。那么您在图像分类场景中是否有任务框架？这是一个非常具体的任务（每个任务都不同）所以在这个问题上很难获得很多经验。在我看来，无论是CNN还是使用标准图像处理技术的更简单算法，都绝对值得一试。通常情况下，CNN在检测方面比定位方面更好，但这是在你的数据集上没有观察到的东西，而是彩色的真实世界图片——所以谁知道呢，真的。归根结底，这取决于你为什么要使用CNN。如果你想展示高级CS能力和使用CNN的借口，那么就去做并从中学习。然而，如果你只是想以最有效的方式解决问题（即，如果你主要关心的是物理而不是CS），那么就保持简单。我可能是错的，但我认为MNIST的关系不会比他的数据集复杂得多。直觉上，我不会那么容易地排除CNN，尽管你说的也对，这可能可以用简单的图像处理技术解决。这可能取决于数据集中的噪音和变化量。如果它很高，就很难保持手工制作的启发式算法的健壮性。否则，一个简单的解决方案是最好的。我同意，但MNIST可以很好地解决与自动编码器约97%的准确性。加上他的数据是简单的逻辑回归。同时，在上下文中思考这个问题。在物理学中，你并不需要每一颗超新星，因为你已经在处理一小部分数据了。由于2周的工作而缺少3%是可以接受的。如果你想要额外的3%的超新星，你可以得到一张稍大一点的样本图像，因为总有更多的天空需要样本！谢谢你的回答。事实上，我有这个想法是因为天文学俱乐部提出了一个新项目。它呼吁公众寻找超新星。所以我相信一定存在一些特点。既然人类能找到它们，机器也能找到。但是传统的方法不能很好地提取特征，我转向CNN。希望该网络能够提取信息本身。我的老师建议我为ml课程的最后一个项目做准备。我想试一试。你能给我一些技巧和我应该注意的要点吗？使用python的theano库并尝试访问NVIDIA图形卡，这样你就可以使用CUDA了。请参阅deeplearning.net以了解有关序号和示例代码的信息