Fugu-MT 論文翻訳(概要): A Two-Stage Deep Learning Detection Classifier for the ATLAS Asteroid Survey

論文の概要: A Two-Stage Deep Learning Detection Classifier for the ATLAS Asteroid Survey

arxiv url: http://arxiv.org/abs/2101.08912v1
Date: Fri, 22 Jan 2021 01:35:08 GMT
ステータス: 処理完了
システム内更新日: 2021-03-20 17:13:49.276550
Title: A Two-Stage Deep Learning Detection Classifier for the ATLAS Asteroid Survey
Title（参考訳）: ATLAS小惑星探査のための2段階深層学習検出器
Authors: Amandin Chyba Rabeendran and Larry Denneau
Abstract要約: 太陽系の天体を光学的・電子的アーティファクトから分離する2段階ニューラルネットワークモデルを提案する。このモデルは、ATLASデータ中の実際の小惑星の99.6%の精度で0.4%の偽陰率を示す。
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: In this paper we present a two-step neural network model to separate detections of solar system objects from optical and electronic artifacts in data obtained with the "Asteroid Terrestrial-impact Last Alert System" (ATLAS), a near-Earth asteroid sky survey system [arXiv:1802.00879]. A convolutional neural network [arXiv:1807.10912] is used to classify small "postage-stamp" images of candidate detections of astronomical sources into eight classes, followed by a multi-layered perceptron that provides a probability that a temporal sequence of four candidate detections represents a real astronomical source. The goal of this work is to reduce the time delay between Near-Earth Object (NEO) detections and submission to the Minor Planet Center. Due to the rare and hazardous nature of NEOs [Harris and D'Abramo, 2015], a low false negative rate is a priority for the model. We show that the model reaches 99.6\% accuracy on real asteroids in ATLAS data with a 0.4\% false negative rate. Deployment of this model on ATLAS has reduced the amount of NEO candidates that astronomers must screen by 90%, thereby bringing ATLAS one step closer to full autonomy.
Abstract（参考訳）: 本稿では,地球近傍の小惑星スカイサーベイシステム (arXiv:1802.00879) である "Asteroid Terrestrial-impact Last Alert System" (ATLAS) で得られたデータから,太陽系天体を光学的および電子的に検出する2段階のニューラルネットワークモデルを提案する。畳み込みニューラルネットワーク(arxiv:1807.10912)は、天文学的源の候補検出の小さな「postage-stamp」画像を8つのクラスに分類し、次に4つの候補検出の時間系列が実際の天文学的源を表す確率を与える多層パーセプトロンを用いる。この研究の目的は、地球近傍天体(NEO)の検出と小さな惑星センターへの提出の間の時間遅延を減らすことである。 NEOs (Harris and D'Abramo, 2015) の稀で有害な性質のため, 低偽陰性率はモデルにとって最優先事項である。このモデルは、ATLASデータ中の実際の小惑星において、0.4\%の偽陰率で99.6\%の精度に達する。 ATLASにこのモデルを展開することで、天文学者が90%の精度で観測しなければならないNEO候補の数を削減した。

関連論文リスト

Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
論文参考訳（メタデータ） (2024-10-30T10:33:10Z)
Hazardous Asteroids Classification [0.30977113730786693]
このプロジェクトの目的は、マシンラーニングとディープラーニングを使用して、有害な小惑星を正確に分類することである。 5つの機械学習アルゴリズムと5つのディープラーニングモデルからなる計10の手法が訓練され、その問題を解決する適切なモデルを見つけるために評価される。
論文参考訳（メタデータ） (2024-09-03T10:37:24Z)
Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
論文参考訳（メタデータ） (2023-04-10T18:33:36Z)
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)
Towards Asteroid Detection in Microlensing Surveys with Deep Learning [0.0]
小惑星は、ほとんどの天文学的な調査では確認不可能な部分である。本稿ではMOAプロジェクトによって収集されたマイクロレンズデータから小惑星の回収と発見のための新しい深層学習ソリューションを提案する。
論文参考訳（メタデータ） (2022-11-04T03:16:23Z)
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)
Discovering Faint and High Apparent Motion Rate Near-Earth Asteroids Using A Deep Learning Program [0.5729426778193399]
本研究では,地球近傍を高速で移動する物体を検出できる畳み込みニューラルネットワークを開発した。シミュレーションから生成された人工ストリークで訓練され、98.7%の精度でこれらの小惑星ストリークを見つけることができた。このアプローチは、高速で動く小惑星のストリークを検出するために、あらゆる観測所で採用することができる。
論文参考訳（メタデータ） (2022-08-19T00:16:09Z)
Optimization of Artificial Neural Networks models applied to the identification of images of asteroids' resonant arguments [0.6449761153631166]
近年の研究では、畳み込みニューラルネットワーク(CNN)モデルを使用して、そのようなタスクを自動的に実行している。このようなモデルの結果を、VGG、Inception、ResNetなど、最も先進的で一般公開されているCNNアーキテクチャの結果と比較する。 VGGモデルは、正規化と非正規化により、大規模なデータセットのラベルを予測する最も効率的な方法であることが判明した。
論文参考訳（メタデータ） (2022-07-28T15:46:39Z)
SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文参考訳（メタデータ） (2021-06-21T13:55:57Z)
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)
DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person Detection in 2D Range Data [81.06749792332641]
本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。 DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。 DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
論文参考訳（メタデータ） (2020-04-29T11:01:44Z)

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。