論文の概要: DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning

• arxiv url: http://arxiv.org/abs/2011.12437v1
• Date: Tue, 24 Nov 2020 22:51:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 14:20:57.303104
• Title: DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning
• Title（参考訳）: DeepShadows: ディープラーニングによる人工物からの低表面明度銀河の分離
• Authors: Dimitrios Tanoglidis, Aleksandra \'Ciprijanovi\'c, Alex Drlica-Wagner
• Abstract要約: 本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
• 参考スコア（独自算出の注目度）: 70.80563014913676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Searches for low-surface-brightness galaxies (LSBGs) in galaxy surveys are plagued by the presence of a large number of artifacts (e.g., objects blended in the diffuse light from stars and galaxies, Galactic cirrus, star-forming regions in the arms of spiral galaxies, etc.) that have to be rejected through time consuming visual inspection. In future surveys, which are expected to collect hundreds of petabytes of data and detect billions of objects, such an approach will not be feasible. We investigate the use of convolutional neural networks (CNNs) for the problem of separating LSBGs from artifacts in survey images. We take advantage of the fact that, for the first time, we have available a large number of labeled LSBGs and artifacts from the Dark Energy Survey, that we use to train, validate, and test a CNN model. That model, which we call DeepShadows, achieves a test accuracy of $92.0 \%$, a significant improvement relative to feature-based machine learning models. We also study the ability to use transfer learning to adapt this model to classify objects from the deeper Hyper-Suprime-Cam survey, and we show that after the model is retrained on a very small sample from the new survey, it can reach an accuracy of $87.6\%$. These results demonstrate that CNNs offer a very promising path in the quest to study the low-surface-brightness universe.
• Abstract（参考訳）: 銀河調査における低表面ブライネス銀河(lsbgs)の探索は、多くのアーティファクト(例えば、星や銀河の拡散光にブレンドされた物体、銀河の巻銀河、渦巻銀河の腕の星形成領域など)の存在によって苦しめられている。 数百ペタバイトのデータを収集し、数十億のオブジェクトを検知する将来の調査では、そのようなアプローチは実現できないだろう。 本研究では,コンボリューションニューラルネットワーク(CNN)を用いて,調査画像中の人工物からLSBGを分離する問題について検討する。 私たちは初めて、cnnモデルのトレーニング、検証、テストに使用するdark energy surveyから多くのラベル付きlsbgとアーティファクトを入手したという事実を利用します。 このモデルはdeepshadowsと呼ばれ、テスト精度が92.0セントで、機能ベースの機械学習モデルに比べて大幅に向上している。 また,このモデルを用いてより深い超suprime-camサーベイから物体を分類する能力についても検討し,このモデルが極めて小さなサンプルで再トレーニングされた結果,87.6\%の精度が得られることを示した。 これらの結果は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示している。

関連論文リスト

• Find n' Propagate: Open-Vocabulary 3D Object Detection in Urban Environments [67.83787474506073]
  我々は,現在のLiDARに基づく3Dオブジェクト検出システムの限界に対処する。 本稿では,3次元OVタスクに対する汎用textscFind n' Propagate アプローチを提案する。 我々は、新しいオブジェクトクラスに対する平均精度(AP)を最大3.97倍に向上させる。
  論文  参考訳（メタデータ） (2024-03-20T12:51:30Z)
• 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)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Photometric identification of compact galaxies, stars and quasars using multiple neural networks [0.9894420655516565]
  MargNetは、恒星、クエーサー、コンパクト銀河を識別するためのディープラーニングベースの分類器である。 データの分類を直接学習し、人間の介入の必要性を最小限に抑える。 MargNetは、コンパクト銀河のみに焦点を当てた最初の分類器である。
  論文  参考訳（メタデータ） (2022-11-15T18:37:04Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• ULISSE: A Tool for One-shot Sky Exploration and its Application to Active Galactic Nuclei Detection [1.3681174239726606]
  ULISSEは、同じ形態的および光度特性を共有する物体を識別する新しいディープラーニングツールである。 実験により、ULISSEは、ホスト銀河の形態、色、および中心核源の存在から、AGN候補を特定できることが示された。
  論文  参考訳（メタデータ） (2022-08-23T14:05:30Z)
• 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)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Learning cosmology and clustering with cosmic graphs [0.0]
  我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。 まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。 次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
  論文  参考訳（メタデータ） (2022-04-28T18:00:02Z)
• DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural Networks [0.0]
  シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。 我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。 CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
  論文  参考訳（メタデータ） (2020-04-24T20:36:06Z)

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。