論文の概要: Planet cartography with neural learned regularization
- arxiv url: http://arxiv.org/abs/2012.04460v2
- Date: Thu, 10 Dec 2020 09:05:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 05:34:51.959651
- Title: Planet cartography with neural learned regularization
- Title（参考訳）: ニューラルラーニング正規化による惑星地図
- Authors: A. Asensio Ramos and E. Pall\'e
- Abstract要約: 惑星の手続き的生成に基づく地球外惑星のマッピング手法を提案する。
また、雲状惑星における表面の回復と永続的な雲の存在のマッピングも検討している。
これは、活動的な気候システムを検出するために太陽系外惑星で実施できる最初のテストとなる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding potential life harboring exo-Earths is one of the aims of
exoplanetary science. Detecting signatures of life in exoplanets will likely
first be accomplished by determining the bulk composition of the planetary
atmosphere via reflected/transmitted spectroscopy. However, a complete
understanding of the habitability conditions will surely require mapping the
presence of liquid water, continents and/or clouds. Spin-orbit tomography is a
technique that allows us to obtain maps of the surface of exoplanets around
other stars using the light scattered by the planetary surface. We leverage the
potential of deep learning and propose a mapping technique for exo-Earths in
which the regularization is learned from mock surfaces. The solution of the
inverse mapping problem is posed as a deep neural network that can be trained
end-to-end with suitable training data. We propose in this work to use methods
based on the procedural generation of planets, inspired by what we found on
Earth. We also consider mapping the recovery of surfaces and the presence of
persistent cloud in cloudy planets. We show that the a reliable mapping can be
carried out with our approach, producing very compact continents, even when
using single passband observations. More importantly, if exoplanets are
partially cloudy like the Earth is, we show that one can potentially map the
distribution of persistent clouds that always occur on the same position on the
surface (associated to orography and sea surface temperatures) together with
non-persistent clouds that move across the surface. This will become the first
test one can perform on an exoplanet for the detection of an active climate
system. For small rocky planets in the habitable zone of their stars, this
weather system will be driven by water, and the detection can be considered as
a strong proxy for truly habitable conditions.
- Abstract（参考訳）: 地球外生命体の発見は、太陽系外科学の目的の一つだ。
太陽系外惑星の生命のシグネチャを検出するためには、反射・透過分光法を用いて惑星大気のバルク組成を決定する必要がある。
しかし、居住性条件を完全に理解するには、液体水、大陸および/または雲の存在をマッピングする必要がある。
スピン軌道トモグラフィー(spin-orbit tomography)は、惑星表面が散乱する光を用いて、他の恒星の周囲にある太陽系外惑星の表面の地図を得る技術である。
深層学習の可能性を活用し,模型表面から正規化を学習する外地球へのマッピング手法を提案する。
逆マッピング問題の解決策は、適切なトレーニングデータでエンドツーエンドにトレーニング可能なディープニューラルネットワークとして設定される。
本研究は、地球上の発見に触発された惑星の手続き的生成に基づく手法の利用を提案する。
また、雲状惑星における表面の回復と永続的な雲の存在のマッピングも検討している。
単一帯域での観測においても, 信頼性の高い写像を我々のアプローチで実行し, 非常にコンパクトな大陸を創出できることが示される。
さらに重要なのは、太陽系外惑星が地球のように部分的に曇っている場合、常に同じ位置(地形や海面温度に関連する)で発生する永続的な雲の分布と、表面を横切る非永続的な雲の分布をマッピングできることである。
これは、活動的な気候システムを検出するために太陽系外惑星で実行できる最初のテストとなる。
恒星の居住可能な領域にある小さな岩石惑星の場合、この気象システムは水によって駆動され、検出は真に居住可能な条件の強力な指標と見なされる。
関連論文リスト
- Locating Hidden Exoplanets in ALMA Data Using Machine Learning [10.316742952272394]
機械学習が惑星の存在を迅速かつ正確に検出できることを実証する。
我々はシミュレーションから生成された合成画像に基づいてモデルを訓練し、実際の観測に応用して、実際の系における形成惑星を同定する。
論文 参考訳（メタデータ） (2022-11-17T14:02:16Z) - ExoSGAN and ExoACGAN: Exoplanet Detection using Adversarial Training
Algorithms [0.0]
我々は、K2データ中の移動系外惑星を検出するために、2種類の生成逆数ネットワークを使用する。
本手法では,テストデータに基づいて光曲線をリコール精度1.00の精度で分類することができる。
論文 参考訳（メタデータ） (2022-07-20T05:45:36Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Exoplanet Cartography using Convolutional Neural Networks [0.0]
近未来には、専用の望遠鏡が反射光で地球に似た太陽系外惑星を観測し、その特性を評価できる。
巨大な距離のため、全ての太陽系外惑星は単一のピクセルとなるが、そのスペクトルフラックスの時間変化は惑星の表面や大気に関する情報を保持する。
本研究では, 惑星の自転軸, 表面, 雲マップをシミュレーションした単画素フラックスと偏光観測から取得するための畳み込みニューラルネットワークをテストする。
論文 参考訳（メタデータ） (2022-04-25T17:52:20Z) - Identifying Exoplanets with Machine Learning Methods: A Preliminary
Study [1.553390835237685]
本研究では,太陽系外惑星の同定に機械学習を用いた手法を提案する。
我々はケプラー宇宙観測所からNASAが収集したケプラーデータセットを用いて教師あり学習を行った。
我々はまた、k平均クラスタリングを用いて、確認された外惑星を異なるクラスタに分割する教師なし学習も行った。
論文 参考訳（メタデータ） (2022-04-01T23:48:26Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Follow the Water: Finding Water, Snow and Clouds on Terrestrial
Exoplanets with Photometry and Machine Learning [0.6091702876917281]
我々は、ブロードバンドフィルタ光度計を用いて、機械学習を用いて外惑星の表面の水を特定する。
計画された小型で大型の望遠鏡のミッションは、これを時間的な追跡観測のための目標の優先順位付けに役立てることができる。
論文 参考訳（メタデータ） (2022-03-08T17:03:19Z) - Towards Robust Monocular Visual Odometry for Flying Robots on Planetary
Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。
高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。
また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-12T12:52:20Z) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳（メタデータ） (2021-04-10T15:00:15Z) - Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。
我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文 参考訳（メタデータ） (2020-10-05T19:47:04Z) - Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
論文 参考訳（メタデータ） (2020-01-17T04:05:46Z)
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。
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。