論文の概要: Automatic identification of outliers in Hubble Space Telescope galaxy images

• arxiv url: http://arxiv.org/abs/2101.02623v1
• Date: Thu, 7 Jan 2021 16:52:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 13:24:34.039864
• Title: Automatic identification of outliers in Hubble Space Telescope galaxy images
• Title（参考訳）: ハッブル宇宙望遠鏡銀河画像における外れ値の自動同定
• Authors: Lior Shamir
• Abstract要約: 本稿では,異常銀河画像の自動検出のための教師なし機械学習アルゴリズムについて述べる。 このアルゴリズムの銀河群への応用により、様々な外縁銀河の画像が検出された。 カタログには、自動化を使わずに識別するのが非常に難しい147のオブジェクトが含まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rare extragalactic objects can carry substantial information about the past, present, and future universe. Given the size of astronomical databases in the information era it can be assumed that very many outlier galaxies are included in existing and future astronomical databases. However, manual search for these objects is impractical due to the required labor, and therefore the ability to detect such objects largely depends on computer algorithms. This paper describes an unsupervised machine learning algorithm for automatic detection of outlier galaxy images, and its application to several Hubble Space Telescope fields. The algorithm does not require training, and therefore is not dependent on the preparation of clean training sets. The application of the algorithm to a large collection of galaxies detected a variety of outlier galaxy images. The algorithm is not perfect in the sense that not all objects detected by the algorithm are indeed considered outliers, but it reduces the dataset by two orders of magnitude to allow practical manual identification. The catalogue contains 147 objects that would be very difficult to identify without using automation.
• Abstract（参考訳）: 希少な銀河外天体は過去、現在、将来の宇宙に関する重要な情報を運ぶことができる。 情報時代の天文学データベースのサイズを考えると、現在および将来の天文学データベースに非常に多くの外縁銀河が含まれていると仮定できる。 しかし、これらの物体の手動探索は、必要な労力のために実用的ではないため、そのような物体を検知する能力は、主にコンピュータアルゴリズムに依存する。 本稿では、外方銀河画像の自動検出のための教師なし機械学習アルゴリズムとそのハッブル宇宙望遠鏡分野への応用について述べる。 このアルゴリズムはトレーニングを必要としないため、クリーンなトレーニングセットの作成に依存しない。 このアルゴリズムの銀河群への応用により、様々な外縁銀河の画像が検出された。 このアルゴリズムは、アルゴリズムによって検出されたすべてのオブジェクトが実際には外れ値と見なされるわけではないが、実用的な手動識別を可能にするためにデータセットを2桁減らすという意味では完全ではない。 カタログには、自動化を使わずに識別するのが非常に難しい147のオブジェクトが含まれている。

関連論文リスト

• Galaxy Classification: A machine learning approach for classifying shapes using numerical data [0.0]
  我々は,Galaxy Zooプロジェクトの数値データを用いて,銀河分類のための機械学習モデルを提案する。 我々のモデルは銀河の分類において高い精度を達成し、銀河の形成と進化の理解を著しく向上させる可能性を持っている。
  論文  参考訳（メタデータ） (2023-11-30T20:47:16Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Outlier galaxy images in the Dark Energy Survey and their identification with unsupervised machine learning [0.0]
  本研究はダークエナジーサーベイの第1号データリリースにおいて, 異常物体の自動検出手法を適用した。 このアルゴリズムの重要な特徴は、偽陽性率を制御できるため、実用的な外れ値検出に使用できることである。
  論文  参考訳（メタデータ） (2023-05-02T18:39:35Z)
• 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)
• Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images [0.6445605125467573]
  本研究では,拡張ハッブルチューニングフォークからSDSSデータを10クラスに分類するために,ニューラルネットワークモデルを提案する。 テストの精度は84.73パーセントで、クラスでこのような微妙な詳細を考えた後に期待できる。
  論文  参考訳（メタデータ） (2022-11-01T11:43:21Z)
• Practical Galaxy Morphology Tools from Deep Supervised Representation Learning [0.0]
  深層学習モデルは、銀河の意味的な意味的表現を学習する。 我々はこれらの表現を利用して、大きな銀河のサンプルを調べるのに不可欠ないくつかの実践的なタスクにおいて、既存のアプローチを上回ります。
  論文  参考訳（メタデータ） (2021-10-25T08:46:16Z)
• Towards Real-World Prohibited Item Detection: A Large-Scale X-ray Benchmark [53.9819155669618]
  本稿では,PIDrayと命名された大規模データセットについて述べる。 大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。 提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
  論文  参考訳（メタデータ） (2021-08-16T11:14:16Z)
• REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter [52.117388513480435]
  本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。 データセットは2D画像と3Dポイントクラウドの両方で収集されます。 ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
  論文  参考訳（メタデータ） (2021-04-29T05:31:21Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  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。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Detection of asteroid trails in Hubble Space Telescope images using Deep Learning [0.0]
  本稿では,ハッブル宇宙望遠鏡で撮影した単一露光写真における小惑星軌道の画像認識へのDeep Learningの適用について述べる。 多層深層畳み込みニューラルネットワークに基づくアルゴリズムを用いて、検証セット上で80%以上の精度を報告する。
  論文  参考訳（メタデータ） (2020-10-29T09:03:18Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)

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。