論文の概要: RotNet: Fast and Scalable Estimation of Stellar Rotation Periods Using
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2012.01985v2
- Date: Fri, 4 Dec 2020 02:35:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:43:01.292724
- Title: RotNet: Fast and Scalable Estimation of Stellar Rotation Periods Using
Convolutional Neural Networks
- Title(参考訳): rotnet:畳み込みニューラルネットワークを用いた恒星回転周期の高速かつスケーラブルな推定
- Authors: J. Emmanuel Johnson, Sairam Sundaresan, Tansu Daylan, Lisseth Gavilan,
Daniel K. Giles, Stela Ishitani Silva, Anna Jungbluth, Brett Morris, Andr\'es
Mu\~noz-Jaramillo
- Abstract要約: 深層学習の力を利用して、ケプラー光曲線から恒星の自転周期を遅らせる。
我々は、回転周期を推定する現在の標準である、ランダムな森林回帰器、1D CNN、自動相関関数(ACF)に対して、我々の手法をベンチマークする。
- 参考スコア(独自算出の注目度): 0.903415485511869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic activity in stars manifests as dark spots on their surfaces that
modulate the brightness observed by telescopes. These light curves contain
important information on stellar rotation. However, the accurate estimation of
rotation periods is computationally expensive due to scarce ground truth
information, noisy data, and large parameter spaces that lead to degenerate
solutions. We harness the power of deep learning and successfully apply
Convolutional Neural Networks to regress stellar rotation periods from Kepler
light curves. Geometry-preserving time-series to image transformations of the
light curves serve as inputs to a ResNet-18 based architecture which is trained
through transfer learning. The McQuillan catalog of published rotation periods
is used as ansatz to groundtruth. We benchmark the performance of our method
against a random forest regressor, a 1D CNN, and the Auto-Correlation Function
(ACF) - the current standard to estimate rotation periods. Despite limiting our
input to fewer data points (1k), our model yields more accurate results and
runs 350 times faster than ACF runs on the same number of data points and
10,000 times faster than ACF runs on 65k data points. With only minimal feature
engineering our approach has impressive accuracy, motivating the application of
deep learning to regress stellar parameters on an even larger scale
- Abstract(参考訳): 恒星の磁気活動は、望遠鏡が観測する明るさを調節する表面の暗い斑点として現れる。
これらの光度曲線は恒星の回転に関する重要な情報を含んでいる。
しかしながら、回転周期の正確な推定は、基底真理情報、ノイズデータ、そして縮退解につながる大きなパラメータ空間のために計算的に高価である。
深層学習のパワーを活かし,ケプラー光曲線からの恒星回転周期の後退に畳み込みニューラルネットワークを応用した。
光曲線の画像変換のための幾何学保存時系列は、転送学習によって訓練されたResNet-18アーキテクチャへの入力として機能する。
mcquillan catalog of published rotation periodsはansatz to groundtruthとして使われている。
我々は,この手法の性能を,ランダムフォレスト回帰器,1次元CNN,自動相関関数(ACF)に対してベンチマークし,回転周期を推定する。
入力を少ないデータポイント(1k)に制限したものの、モデルはより正確な結果をもたらし、同じ数のデータポイントでacfが動作し、acfが65kのデータポイントで実行するよりも10000倍高速に動作します。
最小限の機能エンジニアリングだけで、我々のアプローチは印象的な精度を持ち、より大規模な恒星パラメータの回帰にディープラーニングの適用を動機付けます。
関連論文リスト
- Advancing Machine Learning for Stellar Activity and Exoplanet Period Rotation [0.3926357402982764]
本研究では、NASAケプラーミッションで得られた補正光曲線データから、機械学習モデルを用いて恒星回転周期を推定した。
従来の方法では、光曲線データにおけるノイズや変動性のために、回転周期を正確に見積もることに苦労することが多い。
我々は、決定木、ランダムフォレスト、K-Nearest Neighbors、Gradient Boostingなどの機械学習アルゴリズムを採用し、予測精度とロバスト性を改善するためにVoting Ensembleアプローチを利用した。
論文 参考訳(メタデータ) (2024-09-09T10:25:13Z) - PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration [8.668461141536383]
回転不変の特徴を学習することは、ポイントクラウド登録の基本的な要件である。
既存の手法では、回転に敏感なネットワークを用いて特徴を抽出し、回転拡大を用いて近似不変写像を無作為に学習する。
高速で軽量でロバストな登録のための位置認識型回転同変ネットワークを提案する。
論文 参考訳(メタデータ) (2024-07-14T10:26:38Z) - The Scaling Law in Stellar Light Curves [3.090476527764192]
本稿では,天文時系列データから学習する際の法則のスケーリングについて,自己監督的手法を用いて検討する。
自己教師付きトランスフォーマーモデルは,最先端の教師付き学習モデルと比較して,サンプル効率を3~10倍に向上させる。
本研究は,大規模自己回帰生成モデルを用いて恒星の光度曲線を解析するための基礎研究である。
論文 参考訳(メタデータ) (2024-05-27T13:31:03Z) - CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation
via Centrifugal Reference Frame [60.24797081117877]
CRIN,すなわち遠心回転不変ネットワークを提案する。
CRINは点の座標を直接入力として取り、局所点を回転不変表現に変換する。
点に基づく3次元回転の連続分布を導入する。
論文 参考訳(メタデータ) (2023-03-06T13:14:10Z) - RAGO: Recurrent Graph Optimizer For Multiple Rotation Averaging [62.315673415889314]
本稿では,複数回転平均化(MRA)のための深部繰り返し回転平均化グラフ(RAGO)を提案する。
我々のフレームワークは、実世界のアプリケーションに小さなサイズでデプロイされた、リアルタイムに学習から最適化するローテーション平均化グラフである。
論文 参考訳(メタデータ) (2022-12-14T13:19:40Z) - 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) - SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness
Enhancement [118.20816888815658]
SPE-Netという名前の3Dポイントクラウドアプリケーションに適した新しいディープアーキテクチャを提案する。
埋め込みSelective Position variant' の手順は、入力の根底にある回転条件に効果的に対応できる注意機構に依存している。
SPE-Netと関連する仮説の利点を4つのベンチマークで示し、SOTA法よりも回転試験データと回転試験データの両方に明らかな改善点を示した。
論文 参考訳(メタデータ) (2022-11-15T15:59:09Z) - 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) - ART-Point: Improving Rotation Robustness of Point Cloud Classifiers via
Adversarial Rotation [89.47574181669903]
本研究では, 点雲分類器の回転ロバスト性も, 対角訓練により得られることを示す。
具体的には、ART-Pointというフレームワークは、ポイントクラウドの回転を攻撃と見なしている。
最終的なロバストモデルに効率よく到達するために,高速なワンステップ最適化を提案する。
論文 参考訳(メタデータ) (2022-03-08T07:20:16Z) - Learning Rotation-Invariant Representations of Point Clouds Using
Aligned Edge Convolutional Neural Networks [29.3830445533532]
ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。
点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。
この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。
本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-01-02T17:36:00Z) - Rotated Ring, Radial and Depth Wise Separable Radial Convolutions [13.481518628796692]
本研究では、トレーニング可能な回転不変畳み込みとネットの構築について述べる。
一方、我々のアプローチは異なるモデルと異なる公開データセットに対して回転不変であることを示す。
提示される回転適応畳み込みモデルは、通常の畳み込みモデルよりも計算集約的である。
論文 参考訳(メタデータ) (2020-10-02T09:01:51Z)
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。