Fugu-MT 論文翻訳(概要): Self-supervised Learning for Astronomical Image Classification

論文の概要: Self-supervised Learning for Astronomical Image Classification

arxiv url: http://arxiv.org/abs/2004.11336v2
Date: Thu, 25 Jun 2020 13:49:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 09:56:13.868973
Title: Self-supervised Learning for Astronomical Image Classification
Title（参考訳）: 天文画像分類のための自己指導型学習
Authors: Ana Martinazzo, Mateus Espadoto, Nina S. T. Hirata
Abstract要約: 天文学では、毎日大量の画像データが測光サーベイによって生成される。本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
参考スコア（独自算出の注目度）: 1.2891210250935146
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In Astronomy, a huge amount of image data is generated daily by photometric surveys, which scan the sky to collect data from stars, galaxies and other celestial objects. In this paper, we propose a technique to leverage unlabeled astronomical images to pre-train deep convolutional neural networks, in order to learn a domain-specific feature extractor which improves the results of machine learning techniques in setups with small amounts of labeled data available. We show that our technique produces results which are in many cases better than using ImageNet pre-training.
Abstract（参考訳）: 天文学では、星や銀河、その他の天体からのデータを収集するために空をスキャンする測光観測によって、毎日大量の画像データが生成される。本稿では,未ラベルの天体画像を深部畳み込みニューラルネットワークに活用する手法を提案し,少ないラベル付きデータを利用可能なセットアップにおいて,機械学習技術の結果を改善するドメイン固有の特徴抽出器を学習する。我々は,ImageNetの事前学習よりも多くの場合に優れた結果が得られることを示す。

関連論文リスト

SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文参考訳（メタデータ） (2024-03-25T10:30:22Z)
Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文参考訳（メタデータ） (2024-03-08T16:18:04Z)
Astronomical Images Quality Assessment with Automated Machine Learning [0.0]
電子的に補助された天文学は、直接観測によって見えないであろう天体の視界を表示するために、望遠鏡にデジタルカメラを結合して深宇宙画像を取得することで構成される。このプラクティスは大量のデータを生成し、観察セッション後に専用の画像編集ソフトウェアで拡張することができる。本研究では,画像品質評価が天文学的画像の自動評価にどのように役立つかを示すとともに,自動機械学習を用いて専用モデルを開発する。
論文参考訳（メタデータ） (2023-11-17T16:14:11Z)
Image Restoration with Point Spread Function Regularization and Active Learning [5.575847437953924]
大規模な天文学的な調査では、銀河や星雲を含む多数の天体の画像を捉えることができる。様々なノイズレベルと点拡散関数は、これらの画像から情報抽出の精度と効率を損なう。深層学習に基づく復元アルゴリズムと高忠実度望遠鏡シミュレータを接続する新しい画像復元アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-31T23:16:26Z)
CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文参考訳（メタデータ） (2023-05-01T23:11:18Z)
Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
HSI分類に自己監督学習(SSL)を活用することを提案する。最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
論文参考訳（メタデータ） (2022-06-24T07:21:53Z)
The Intrinsic Dimension of Images and Its Impact on Learning [60.811039723427676]
自然画像データは従来の画素表現の高次元にもかかわらず低次元構造を示すと広く信じられている。本研究では,一般的なデータセットに次元推定ツールを適用し,深層学習における低次元構造の役割を検討する。
論文参考訳（メタデータ） (2021-04-18T16:29:23Z)
Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文参考訳（メタデータ） (2021-03-04T06:31:06Z)
Self-Supervised Representation Learning for Astronomical Images [1.0499611180329804]
自己教師付き学習は,意味的に有用なスカイサーベイ画像の表現を復元する。本手法は,教師付きモデルの2-4倍のラベルをトレーニングに使用しながら,精度を向上できることを示す。
論文参考訳（メタデータ） (2020-12-24T03:25:36Z)
Data--driven Image Restoration with Option--driven Learning for Big and Small Astronomical Image Datasets [11.96518190758417]
本稿では,データ駆動型画像復元手法を提案する。本手法は,参照画像の数にかかわらず,非常に安定した画像復元結果が得られる。
論文参考訳（メタデータ） (2020-11-07T05:05:55Z)
Detection of asteroid trails in Hubble Space Telescope images using Deep Learning [0.0]
本稿では,ハッブル宇宙望遠鏡で撮影した単一露光写真における小惑星軌道の画像認識へのDeep Learningの適用について述べる。多層深層畳み込みニューラルネットワークに基づくアルゴリズムを用いて、検証セット上で80%以上の精度を報告する。
論文参考訳（メタデータ） (2020-10-29T09:03:18Z)

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。