論文の概要: Self-Supervised Representation Learning for Astronomical Images

• arxiv url: http://arxiv.org/abs/2012.13083v2
• Date: Thu, 8 Apr 2021 16:06:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 08:10:17.293701
• Title: Self-Supervised Representation Learning for Astronomical Images
• Title（参考訳）: 天文画像のための自己教師付き表現学習
• Authors: Md Abul Hayat, George Stein, Peter Harrington, Zarija Luki\'c, Mustafa Mustafa
• Abstract要約: 自己教師付き学習は,意味的に有用なスカイサーベイ画像の表現を復元する。 本手法は,教師付きモデルの2-4倍のラベルをトレーニングに使用しながら,精度を向上できることを示す。
• 参考スコア（独自算出の注目度）: 1.0499611180329804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sky surveys are the largest data generators in astronomy, making automated tools for extracting meaningful scientific information an absolute necessity. We show that, without the need for labels, self-supervised learning recovers representations of sky survey images that are semantically useful for a variety of scientific tasks. These representations can be directly used as features, or fine-tuned, to outperform supervised methods trained only on labeled data. We apply a contrastive learning framework on multi-band galaxy photometry from the Sloan Digital Sky Survey (SDSS) to learn image representations. We then use them for galaxy morphology classification, and fine-tune them for photometric redshift estimation, using labels from the Galaxy Zoo 2 dataset and SDSS spectroscopy. In both downstream tasks, using the same learned representations, we outperform the supervised state-of-the-art results, and we show that our approach can achieve the accuracy of supervised models while using 2-4 times fewer labels for training.
• Abstract（参考訳）: スカイサーベイは天文学における最大のデータ生成装置であり、有意義な科学情報を抽出するための自動化ツールが必須である。 ラベルを必要としない自己教師型学習は,様々な科学的タスクにおいて意味論的に有用なスカイサーベイ画像の表現を復元する。 これらの表現は、ラベル付きデータのみでトレーニングされた教師付きメソッドを上回る機能、または微調整された機能として直接使用できる。 我々は,Sloan Digital Sky Survey (SDSS) のマルチバンド銀河測光システムにおいて,画像表現の学習に対照的な学習フレームワークを適用した。 次に、銀河形態分類に使用し、Galaxy Zoo 2データセットとSDSSスペクトルのラベルを用いて、光度赤方偏移推定に微調整する。 どちらのダウンストリームタスクでも,同じ学習表現を用いて,教師ありの最先端結果を上回り,トレーニングに2～4分の1のラベルを用いながら教師ありモデルの精度を実現できることを示す。

関連論文リスト

• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• Self-supervised Visualisation of Medical Image Datasets [13.05427848112207]
  自己教師付き学習法である$t$-SimCNEは、コントラスト学習を用いて、視覚化に適した2D表現を直接訓練する。 本研究では、皮膚科学、組織学、血液顕微鏡などの医療画像データセットの可視化に$t$-SimCNEを使用しました。
  論文  参考訳（メタデータ） (2024-02-22T14:04:41Z)
• Spiral-Elliptical automated galaxy morphology classification from telescope images [0.40792653193642503]
  我々は、望遠鏡の銀河画像から効率的に抽出できる2つの新しい銀河形態統計、降下平均と降下分散を開発した。 我々は,Sloan Digital Sky Surveyの銀河画像データを用いて,提案した画像統計の有効性能を実証した。
  論文  参考訳（メタデータ） (2023-10-10T22:36:52Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
  HSI分類に自己監督学習(SSL)を活用することを提案する。 最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-06-24T07:21:53Z)
• Self-supervised similarity search for large scientific datasets [0.0]
  本稿では,大規模未ラベルデータセットの探索と活用に自己教師付き学習を用いることを提案する。 まず、各画像の対称性、不確実性、ノイズに頑健な低次元表現を除去するために、自己教師付きモデルを訓練する。 次に,この表現を用いて対話型セマンティック類似検索ツールを構築し,公開する。
  論文  参考訳（メタデータ） (2021-10-25T18:00:00Z)
• Curious Representation Learning for Embodied Intelligence [81.21764276106924]
  近年,自己指導型表現学習は顕著な成功を収めている。 しかし、真にインテリジェントなエージェントを構築するためには、環境から学習できる表現学習アルゴリズムを構築する必要がある。 本稿では,強化学習方針と視覚的表現モデルを同時に学習する,好奇心をそそる表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-03T17:59:20Z)
• Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
  シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。 本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。 包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-03-29T06:35:24Z)
• Estimating Galactic Distances From Images Using Self-supervised Representation Learning [1.0499611180329804]
  対照的な自己教師付き学習フレームワークを用いて、光度画像から銀河の距離を推定する。 コンピュータビジョンからのデータ増分と、銀河塵のアプリケーション固有の増分計算を組み込んでいます。 1)ラベルのない大量のコーパスで事前トレーニングを行い,さらにラベルの微調整を行うことで,完全教師付きモデルの精度が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-12T04:39:26Z)
• Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
  天文学では、毎日大量の画像データが測光サーベイによって生成される。 本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:32:19Z)

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。