論文の概要: Foreground model recognition through Neural Networks for CMB B-mode observations

• arxiv url: http://arxiv.org/abs/2003.02278v2
• Date: Thu, 11 Jun 2020 14:42:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 13:43:23.427910
• Title: Foreground model recognition through Neural Networks for CMB B-mode observations
• Title（参考訳）: CMBBモード観測のためのニューラルネットワークによる前景モデル認識
• Authors: Farida Farsian, Nicoletta Krachmalnicoff, Carlo Baccigalupi
• Abstract要約: 特に,偏光観測に関連する低周波フォアグラウンドの解析に着目した。 我々は、将来の衛星と低周波地表面プローブで表される周波数範囲と感度に対応する一連のシミュレーションマップに対して、我々のアプローチを実装し、検証した。 異なる空域における前景放射の正しいパラメトリゼーションの認識におけるNN効率は、およそ90%の精度に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we present a Neural Network (NN) algorithm for the identification of the appropriate parametrization of diffuse polarized Galactic emissions in the context of Cosmic Microwave Background (CMB) $B$-mode multi-frequency observations. In particular, we have focused our analysis on low frequency foregrounds relevant for polarization observation: namely Galactic Synchrotron and Anomalous Microwave Emission (AME). We have implemented and tested our approach on a set of simulated maps corresponding to the frequency coverage and sensitivity represented by future satellite and low frequency ground based probes. The NN efficiency in recognizing the right parametrization of foreground emission in different sky regions reaches an accuracy of about $90\%$. We have compared this performance with the $\chi^{2}$ information following parametric foreground estimation using multi-frequency fitting, and quantify the gain provided by a NN approach. Our results show the relevance of model recognition in CMB $B$-mode observations, and highlight the exploitation of dedicated procedures to this purpose.
• Abstract（参考訳）: 本研究では、宇宙マイクロ波背景(CMB)$B$モード多周波観測の文脈において、拡散偏光銀河放出の適切なパラメトリゼーションを同定するためのニューラルネットワーク(NN)アルゴリズムを提案する。 特に、偏光観測に関連する低周波フォアグラウンド(Galactic Synchrotron and Anomalous Microwave Emission (AME))について分析を行った。 我々は,将来の衛星や低周波地中プローブで表現される周波数範囲と感度に対応するシミュレーションマップを実装・テストした。 異なる空域における前景放射の正しいパラメトリゼーションの認識におけるNN効率は、約90\%の精度に達する。 我々は,マルチ周波数フィッティングを用いたパラメトリックフォアグラウンド推定後の$\chi^{2}$情報との比較を行い,nnアプローチによるゲインの定量化を行った。 以上の結果から,CMB $B$-mode 観測におけるモデル認識の関連性を示し,本目的への専用手順の活用を強調した。

関連論文リスト

• End-to-End Training of Neural Networks for Automotive Radar Interference Mitigation [9.865041274657823]
  本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。 NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。 我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
  論文  参考訳（メタデータ） (2023-12-15T13:47:16Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• An Anomaly Detection Method for Satellites Using Monte Carlo Dropout [7.848121055546167]
  衛星テレメトリ時系列における不確実性を把握するために,モンテカルロ(MC)ドロップアウト法に基づくBNNのトラクタブル近似を提案する。 提案した時系列ADアプローチは,予測精度とADの両面から既存手法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-27T21:12:26Z)
• Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
  本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。 これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
  論文  参考訳（メタデータ） (2022-08-01T19:18:26Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Constraining dark matter annihilation with cosmic ray antiprotons using neural networks [0.0]
  第二級およびダークマターの宇宙線反陽子のシミュレーションを著しく高速化する新しい手法を提案する。 我々は,ネットワークが十分に訓練されたパラメータ領域でのみ評価されることを保証するために,特に重要サンプリングを適当とみなす。 完全にトレーニングされたネットワークは、この作業とともにDarkRayNetとしてリリースされ、従来のアプローチに比べて少なくとも2桁のスピードアップを実現している。
  論文  参考訳（メタデータ） (2021-07-26T18:00:04Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Gravitational-wave selection effects using neural-network classifiers [0.0]
  我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。 スピン沈降、高次モード、複数検出器の影響を含める。 我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
  論文  参考訳（メタデータ） (2020-07-13T18:00:04Z)
• Graph Neural Networks for Massive MIMO Detection [8.516590865173407]
  我々は,無線通信におけるMIMO(Multiple-input multiple-output)検出の推測タスクに対するメッセージパッシングソリューションを学習する。 我々は、マルコフ確率場(MRF)に基づくグラフィカルモデルを採用し、送信されたシンボルに対して一様であると仮定すると、信念伝播(BP)が貧弱な結果をもたらす。
  論文  参考訳（メタデータ） (2020-07-11T07:34:56Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。