論文の概要: Extracting the Subhalo Mass Function from Strong Lens Images with Image
Segmentation
- arxiv url: http://arxiv.org/abs/2009.06639v3
- Date: Mon, 14 Feb 2022 17:47:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 13:11:31.852341
- Title: Extracting the Subhalo Mass Function from Strong Lens Images with Image
Segmentation
- Title（参考訳）: 画像分割による強レンズ画像からのサブハロ質量関数の抽出
- Authors: Bryan Ostdiek, Ana Diaz Rivero, and Cora Dvorkin
- Abstract要約: 我々は,画像中のサブハロを探索し,その質量を決定するニューラルネットワークを開発した。
このネットワークは、アインシュタイン環の近くに1つのサブハロを持つ画像に基づいて訓練されている。
注目すべきことに、アインシュタイン環から遠く離れた場所であっても、サブ構造全体の集団を検出することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting substructure within strongly lensed images is a promising route to
shed light on the nature of dark matter. However, it is a challenging task,
which traditionally requires detailed lens modeling and source reconstruction,
taking weeks to analyze each system. We use machine-learning to circumvent the
need for lens and source modeling and develop a neural network to both locate
subhalos in an image as well as determine their mass using the technique of
image segmentation. The network is trained on images with a single subhalo
located near the Einstein ring across a wide range of apparent source
magnitudes. The network is then able to resolve subhalos with masses $m\gtrsim
10^{8.5} M_{\odot}$. Training in this way allows the network to learn the
gravitational lensing of light, and remarkably, it is then able to detect
entire populations of substructure, even for locations further away from the
Einstein ring than those used in training. Over a wide range of the apparent
source magnitude, the false-positive rate is around three false subhalos per
100 images, coming mostly from the lightest detectable subhalo for that
signal-to-noise ratio. With good accuracy and a low false-positive rate,
counting the number of pixels assigned to each subhalo class over multiple
images allows for a measurement of the subhalo mass function (SMF). When
measured over three mass bins from $10^9M_{\odot}$--$10^{10} M_{\odot}$ the SMF
slope is recovered with an error of 36% for 50 images, and this improves to 10%
for 1000 images with Hubble Space Telescope-like noise.
- Abstract（参考訳）: 強レンズ画像中のサブ構造を検出することは、ダークマターの性質に光を当てる有望な方法である。
しかし、従来は詳細なレンズモデリングとソース再構築が必要であり、各システムを分析するのに数週間を要した。
我々は機械学習を用いて、レンズとソースのモデリングの必要性を回避し、画像中のサブハロを識別し、画像分割技術を用いて質量を決定するニューラルネットワークを開発する。
このネットワークは、アインシュタイン環の近くにある1つのサブハロを持つ画像に基づいて訓練されている。
このネットワークは質量$m\gtrsim 10^{8.5} m_{\odot}$でサブハロを解くことができる。
この方法でのトレーニングによって、ネットワークは光の重力レンズを学習することができ、さらに驚くべきことに、アインシュタイン環から遠く離れた場所であっても、サブ構造全体の集団を検出することができる。
見かけの震源の大きさの広い範囲において、偽陽性率は100画像あたり3つの偽のサブハロであり、その信号対雑音比の最も軽いサブハロからくる。
精度が良く、偽陽性率が低いため、複数の画像上で各サブハロクラスに割り当てられたピクセル数を数えると、サブハロ質量関数(SMF)の測定が可能になる。
10^9m_{\odot}$--$10^{10} m_{\odot}$の3つ以上の質量ビンを測定すると、50枚の画像に対して36%の誤差でsmf勾配が回復し、ハッブル宇宙望遠鏡のようなノイズで1000枚の画像に対して10%に改善される。
関連論文リスト
- Metric3D: Towards Zero-shot Metric 3D Prediction from A Single Image [85.91935485902708]
ゼロショット単視距離深度モデルの鍵は、大規模データトレーニングと様々なカメラモデルからの距離あいまいさの解消の組合せにあることを示す。
本稿では,あいまいさ問題に明示的に対処し,既存の単分子モデルにシームレスに接続可能な標準カメラ空間変換モジュールを提案する。
本手法は, ランダムに収集したインターネット画像上での計測3次元構造の正確な復元を可能にする。
論文 参考訳（メタデータ） (2023-07-20T16:14:23Z) - Selection functions of strong lens finding neural networks [0.0]
レンズ探索ニューラルネットワークの選択関数の理解は、強い重力レンズ系の大きな試料の可能性を十分に実現するための鍵となる。
我々は、銀河ギャラクシーと銀河クエーサーのレンズ探索ニューラルネットワークのトレーニングに使用される3つのトレーニングデータセットを使用する。
レンズ付きクエーサーを見つけるために訓練されたモデルは、レンズ付き銀河を見つけるために訓練されたモデルよりも高いレンズ楕円性を好むことを示している。
論文 参考訳（メタデータ） (2023-07-19T18:00:00Z) - Streamlined Lensed Quasar Identification in Multiband Images via
Ensemble Networks [34.82692226532414]
強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。
我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。
我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
論文 参考訳（メタデータ） (2023-07-03T15:09:10Z) - Leveraging the Third Dimension in Contrastive Learning [88.17394309208925]
SSL(Self-Supervised Learning)メソッドは、ラベルのないデータでダウンストリームタスクに有用な堅牢な表現を学習する。
これらの拡張は、生物学的ビジョンが没入的な3次元、時間的に連続した環境で起こるという事実を無視している。
SSLフレームワークにディープシグナルを組み込むための2つの異なるアプローチについて検討する。
論文 参考訳（メタデータ） (2023-01-27T15:45:03Z) - Scale-MAE: A Scale-Aware Masked Autoencoder for Multiscale Geospatial
Representation Learning [55.762840052788945]
本研究では,異なるスケールでデータ間の関係を明示的に学習する事前学習手法であるScale-MAEを提案する。
その結果,低周波画像と高周波画像の両方を再構成することで,リモートセンシング画像のマルチスケール表現が堅牢になることがわかった。
論文 参考訳（メタデータ） (2022-12-30T03:15:34Z) - When Spectral Modeling Meets Convolutional Networks: A Method for
Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data [0.0]
画像に基づく深層学習により実装された新しい空間幾何学的ベト基準を導入する。
我々は、この手法の最初の応用を、イオン化時代のレンズ付きクエーサーの体系的な探索に適用する。
トレーニングデータセットは、実際の銀河画像の上に偏向した点光源の光を塗って、現実的な銀河クエーサーレンズモデルを生成することで構築される。
論文 参考訳（メタデータ） (2022-11-26T11:27:13Z) - MonoGraspNet: 6-DoF Grasping with a Single RGB Image [73.96707595661867]
6-DoFロボットの把握は長続きするが未解決の問題だ。
近年の手法では3次元ネットワークを用いて深度センサから幾何的把握表現を抽出している。
我々はMonoGraspNetと呼ばれるRGBのみの6-DoFグルーピングパイプラインを提案する。
論文 参考訳（メタデータ） (2022-09-26T21:29:50Z) - A machine learning based approach to gravitational lens identification
with the International LOFAR Telescope [0.0]
干渉計データから銀河規模の重力レンズを検出する新しい機械学習手法を提案する。
いくつかの畳み込みニューラルネットワークを開発し、レンズ付きまたは非レンズ型事象に分類されるサンプルの確率と不確実性を決定する。
我々は、LOFAR Two Metre Sky Surveyに含まれる銀河規模の重力レンズシステムの大部分を発見することを期待している。
論文 参考訳（メタデータ） (2022-07-21T18:18:55Z) - Single image deep defocus estimation and its applications [82.93345261434943]
画像パッチを20レベルの曖昧さの1つに分類するために、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。
トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。
その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
論文 参考訳（メタデータ） (2021-07-30T06:18:16Z) - Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。
本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。
結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
論文 参考訳（メタデータ） (2021-02-10T18:57:53Z) - A study of Neural networks point source extraction on simulated
Fermi/LAT Telescope images [1.4528756508275622]
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。
論文 参考訳（メタデータ） (2020-07-08T17:47:31Z)
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。