Fugu-MT 論文翻訳(概要): A study of Neural networks point source extraction on simulated Fermi/LAT Telescope images

論文の概要: A study of Neural networks point source extraction on simulated Fermi/LAT Telescope images

arxiv url: http://arxiv.org/abs/2007.04295v1
Date: Wed, 8 Jul 2020 17:47:31 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 13:31:35.953494
Title: A study of Neural networks point source extraction on simulated Fermi/LAT Telescope images
Title（参考訳）: シミュレーションfermi/lat望遠鏡画像を用いたニューラルネットワーク点抽出に関する研究
Authors: Mariia Drozdova, Anton Broilovskiy, Andrey Ustyuzhanin, Denys Malyshev
Abstract要約: 本稿では,我々の人工データセットに基づいて学習した畳み込みニューラルネットワーク(CNN)を用いた点源抽出手法を提案する。これらの画像は1から10GeVのエネルギーをカバーする10×10度の原数光子マップである。
参考スコア（独自算出の注目度）: 1.4528756508275622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Astrophysical images in the GeV band are challenging to analyze due to the strong contribution of the background and foreground astrophysical diffuse emission and relatively broad point spread function of modern space-based instruments. In certain cases, even finding of point sources on the image becomes a non-trivial task. We present a method for point sources extraction using a convolution neural network (CNN) trained on our own artificial data set which imitates images from the Fermi Large Area Telescope. These images are raw count photon maps of 10x10 degrees covering energies from 1 to 10 GeV. We compare different CNN architectures that demonstrate accuracy increase by ~15% and reduces the inference time by at least the factor of 4 accuracy improvement with respect to a similar state of the art models.
Abstract（参考訳）: GeV帯の天体物理画像は、背景と前景の天体物理拡散放射の強い寄与と、現代の宇宙観測装置の比較的広い範囲の拡散関数により、分析が困難である。あるケースでは、画像上の点源を見つけることさえ、非自明な作業になる。本稿では,フェルミ大都市圏望遠鏡の画像を模倣した人工データセット上で学習した畳み込みニューラルネットワーク(cnn)を用いた点源抽出法を提案する。これらの画像は1から10GeVのエネルギーをカバーする10×10度の原数光子マップである。我々は、精度が15%向上し、少なくとも4つの精度改善の要因で推論時間を削減できる様々なcnnアーキテクチャを比較した。

関連論文リスト

Haar Nuclear Norms with Applications to Remote Sensing Imagery Restoration [53.68392692185276]
本稿では,Har Nuclear norm (HNN) という,高効率かつ効率的なリモートセンシング画像復元のための新しい低ランク正規化用語を提案する。 2次元前方スライス-ワイド・ハール離散ウェーブレット変換から導出されるウェーブレット係数の低ランク特性を利用する。ハイパースペクトル像の着色, マルチテンポラル画像雲の除去, ハイパースペクトル像の脱色実験により, HNNの可能性が明らかとなった。
論文参考訳（メタデータ） (2024-07-11T13:46:47Z)
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)
Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文参考訳（メタデータ） (2023-01-10T19:00:12Z)
An unsupervised deep learning algorithm for single-site reconstruction in quantum gas microscopes [47.187609203210705]
量子ガス顕微鏡実験では、物理観測物の正確な抽出には、高忠実度でサイト分解格子の占有を再構築することが不可欠である。本稿では,深部畳み込みニューラルネットワークに基づく新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-22T18:57:27Z)
Processing Images from Multiple IACTs in the TAIGA Experiment with Convolutional Neural Networks [62.997667081978825]
我々は、畳み込みニューラルネットワーク(CNN)を用いて、TAIGA実験からモンテカルロシミュレーション画像を分析する。この分析は、ガンマ線によるシャワーに対応する画像の選択と、ガンマ線のエネルギーを推定することを含む。
論文参考訳（メタデータ） (2021-12-31T10:49:11Z)
The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文参考訳（メタデータ） (2021-12-19T15:17:20Z)
Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
論文参考訳（メタデータ） (2021-12-02T18:59:51Z)
Point Spread Function Estimation for Wide Field Small Aperture Telescopes with Deep Neural Networks and Calibration Data [11.909250072362264]
点拡散関数 (PSF) は望遠鏡の状態を反映する。視界全体の任意の位置におけるPSFの推定は、光学系によって誘導される収差が非常に複雑であるため困難である。我々は、さらにディープニューラルネットワーク(DNN)に基づくPSFモデリング法を開発し、そのPSF推定への応用を示す。
論文参考訳（メタデータ） (2020-11-20T07:26:02Z)
Detecting optical transients using artificial neural networks and reference images from different surveys [0.0]
人工ニューラルネットワークを用いてこれらのトランジェントを検出する手法を提案する。 1つの画像は、潜在的な過渡期が存在する可能性があるエポックに対応しており、もう1つは初期のエポックの参照画像である。実画像データから生成されたサンプルを用いて、シミュレーションされたサンプルに基づいて畳み込みニューラルネットワークと高密度層ネットワークを訓練し、トレーニングされたネットワークを試験した。
論文参考訳（メタデータ） (2020-09-28T22:16:54Z)
Classifying Image Sequences of Astronomical Transients with Deep Neural Networks [2.5629689811689924]
画像データから直接学習するディープ・ラーニング・アプローチを成功裏に提案する。私たちは、カタルーニャ・リアルタイム・トランジェント・サーベイから13万個の実際の天体画像を用いて、これらのディープニューラルネットワークをトレーニングします。 TAO-Netアーキテクチャは、各クラス毎のF1スコアによって測定された10パーセントの光曲線上のランダム森林分類の結果より優れている。
論文参考訳（メタデータ） (2020-04-28T22:29:01Z)
The use of Convolutional Neural Networks for signal-background classification in Particle Physics experiments [0.4301924025274017]
広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
論文参考訳（メタデータ） (2020-02-13T19:54:46Z)

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。