論文の概要: Detection and Classification of Astronomical Targets with Deep Neural Networks in Wide Field Small Aperture Telescopes

• arxiv url: http://arxiv.org/abs/2002.09211v2
• Date: Sat, 14 Mar 2020 13:21:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 01:47:12.144469
• Title: Detection and Classification of Astronomical Targets with Deep Neural Networks in Wide Field Small Aperture Telescopes
• Title（参考訳）: 広視野小開口望遠鏡における深層ニューラルネットワークによる天体ターゲットの検出と分類
• Authors: Peng Jia, Qiang Liu, Yongyang Sun
• Abstract要約: 深層ニューラルネットワークに基づく天文目標検出・分類フレームワークを提案する。 我々のフレームワークは、Faster R-CNNの概念を採用し、改良されたResnet-50をバックボーンネットワークとして使用している。 我々は,Nvidia Jetson Xavierのような組み込みデバイスに我々のフレームワークをインストールし,リアルタイムな天文学的目標検出と分類能力を実現することを提案する。
• 参考スコア（独自算出の注目度）: 9.035184185881777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wide field small aperture telescopes are widely used for optical transient observations. Detection and classification of astronomical targets in observed images are the most important and basic step. In this paper, we propose an astronomical targets detection and classification framework based on deep neural networks. Our framework adopts the concept of the Faster R-CNN and uses a modified Resnet-50 as backbone network and a Feature Pyramid Network to extract features from images of different astronomical targets. To increase the generalization ability of our framework, we use both simulated and real observation images to train the neural network. After training, the neural network could detect and classify astronomical targets automatically. We test the performance of our framework with simulated data and find that our framework has almost the same detection ability as that of the traditional method for bright and isolated sources and our framework has 2 times better detection ability for dim targets, albeit all celestial objects detected by the traditional method can be classified correctly. We also use our framework to process real observation data and find that our framework can improve 25 % detection ability than that of the traditional method when the threshold of our framework is 0.6. Rapid discovery of transient targets is quite important and we further propose to install our framework in embedded devices such as the Nvidia Jetson Xavier to achieve real-time astronomical targets detection and classification abilities.
• Abstract（参考訳）: 広視野小開口望遠鏡は光過渡現象観測に広く使われている。 観測画像における天体目標の検出と分類は、最も重要かつ基本的なステップである。 本稿では,深層ニューラルネットワークに基づく天体ターゲット検出と分類の枠組みを提案する。 我々のフレームワークは高速なr-cnnの概念を採用し、修正されたresnet-50をバックボーンネットワークと機能ピラミッドネットワークとして使用し、異なる天体ターゲットの画像から特徴を抽出する。 フレームワークの一般化能力を高めるために,シミュレーション画像と実際の観測画像の両方を用いてニューラルネットワークを訓練する。 トレーニング後、ニューラルネットワークは自動的に天体ターゲットを検出し分類することができる。 我々は、シミュレーションデータを用いて、我々のフレームワークの性能を検証し、我々のフレームワークは、従来の明るく孤立したソースの方法とほぼ同じ検出能力を有しており、我々のフレームワークは、従来の方法で検出された全ての天体を正しく分類できるにもかかわらず、ディムターゲットの2倍優れた検出能力を有していることを発見した。 また、我々のフレームワークは実際の観測データを処理し、我々のフレームワークのしきい値が0.6のとき、従来の手法よりも25%の検知能力を向上できることがわかった。 過渡目標の迅速発見は極めて重要であり,Nvidia Jetson Xavierのような組み込みデバイスに我々のフレームワークをインストールして,リアルタイムな天文学的目標検出と分類能力を実現することを提案する。

関連論文リスト

• CSST Strong Lensing Preparation: a Framework for Detecting Strong Lenses in the Multi-color Imaging Survey by the China Survey Space Telescope (CSST) [25.468504540327498]
  強い重力レンズはダークマターとダークエネルギー特性を研究する強力なツールである。 我々は,階層型視覚変換器をベースとしたスライディングウインドウ技術を用いて,画像全体に強いレンズシステムを求めるフレームワークを開発した。 我々のフレームワークは、それぞれ0.98と0.90の精度とリコール率を達成する。
  論文  参考訳（メタデータ） (2024-04-02T09:44:30Z)
• Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine Learning Algorithms [6.4609323472170725]
  ロブスター望遠鏡は、X線帯域の広い視野で天体を観測できるため、X線トランジェントを検出するのに理想的なモニターである。 ロブスター望遠鏡で得られた画像は、独自の点拡散関数によって修正されるため、高効率な目標検出アルゴリズムを設計することは困難である。 本稿では,ロブスター望遠鏡で得られたデータに対するターゲット検出フレームワークを構築するために,複数の機械学習アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2022-12-11T13:10:44Z)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• Multi-Object Tracking with Deep Learning Ensemble for Unmanned Aerial System Applications [0.0]
  多目的追跡(MOT)は、軍事防衛分野における状況認識の重要な構成要素である。 本稿では,リアルタイムな状況下での騒音に対応するために,頑健なオブジェクト追跡アーキテクチャを提案する。 本稿では,遅延空間における実体軌道の予測にシーケンス・ツー・シーケンス・アーキテクチャを用いる,Deep Extended Kalman Filter (DeepEKF) と呼ばれるキネマティックな予測モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-05T13:50:38Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• Lightweight Convolutional Neural Network with Gaussian-based Grasping Representation for Robotic Grasping Detection [4.683939045230724]
  現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。 ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。 ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
  論文  参考訳（メタデータ） (2021-01-25T16:36:53Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Concurrent Segmentation and Object Detection CNNs for Aircraft Detection and Identification in Satellite Images [0.0]
  本稿では,2つの全く異なる畳み込みニューラルネットワーク(CNN)を組み合わせて航空機を検出・識別する専用手法を提案する。 その結果, この組み合わせは各ユニタリモデルよりも有意に優れ, 偽陰性率を大幅に低下させることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T07:35:55Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。