論文の概要: Nigraha: Machine-learning based pipeline to identify and evaluate planet candidates from TESS

• arxiv url: http://arxiv.org/abs/2101.09227v2
• Date: Mon, 22 Feb 2021 14:04:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 17:12:25.973936
• Title: Nigraha: Machine-learning based pipeline to identify and evaluate planet candidates from TESS
• Title（参考訳）: Nigraha: TESSから惑星候補を特定し評価する機械学習ベースのパイプライン
• Authors: Sriram Rao, Ashish Mahabal, Niyanth Rao, and Cauligi Raghavendra
• Abstract要約: トランジット太陽系外惑星探査衛星(TESS)は現在2年あまり運用されており、北半球と南半球をカバーしている。 2千以上の惑星候補が発見されており、そのうち数十は惑星として確認されている。 これらのアプローチを補完するパイプラインであるNigrahaを紹介します。 オープンデータ探索の精神で、パイプラインの詳細を提供し、教師付き機械学習モデルとコードをオープンソースとしてリリースし、7つのセクターで見つけた38の候補者を公開します。
• 参考スコア（独自算出の注目度）: 0.8539683760001573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Transiting Exoplanet Survey Satellite (TESS) has now been operational for a little over two years, covering the Northern and the Southern hemispheres once. The TESS team processes the downlinked data using the Science Processing Operations Center pipeline and Quick Look pipeline to generate alerts for follow-up. Combined with other efforts from the community, over two thousand planet candidates have been found of which tens have been confirmed as planets. We present our pipeline, Nigraha, that is complementary to these approaches. Nigraha uses a combination of transit finding, supervised machine learning, and detailed vetting to identify with high confidence a few planet candidates that were missed by prior searches. In particular, we identify high signal to noise ratio (SNR) shallow transits that may represent more Earth-like planets. In the spirit of open data exploration we provide details of our pipeline, release our supervised machine learning model and code as open source, and make public the 38 candidates we have found in seven sectors. The model can easily be run on other sectors as is. As part of future work we outline ways to increase the yield by strengthening some of the steps where we have been conservative and discarded objects for lack of a datum or two.
• Abstract（参考訳）: トランジット太陽系外惑星探査衛星(TESS)は現在2年あまり運用されており、北半球と南半球をカバーしている。 TESSチームは、Science Processing Operations CenterパイプラインとQuick Lookパイプラインを使用して、ダウンリンクされたデータを処理し、フォローアップ用のアラートを生成する。 コミュニティの他の活動と組み合わさって、2千以上の惑星候補が発見され、そのうち数十個が惑星として確認されている。 これらのアプローチを補完するパイプラインであるNigrahaを紹介します。 Nigrahaは、トランジット発見、教師付き機械学習、詳細な検証を組み合わせることで、事前の検索で見落とされたいくつかの惑星候補を高い信頼性で特定する。 特に、より地球に似た惑星を表すsnr(high signal to noise ratio)の浅いトランジットを特定する。 オープンデータ探索の精神では、パイプラインの詳細を提供し、監視された機械学習モデルとコードをオープンソースとしてリリースし、セブンセクタで見つかった38の候補を公開します。 このモデルは、他のセクターでも簡単に実行できる。 将来の作業の一環として、私たちは、データムが1つか2つ欠けているために、保守的で破棄されたオブジェクトであるいくつかのステップを強化することで、収量を増やす方法を概説します。

関連論文リスト

• Investigating the Capabilities of Deep Learning for Processing and Interpreting One-Shot Multi-offset GPR Data: A Numerical Case Study for Lunar and Martian Environments [9.150932930653921]
  地中レーダー(GPR)は、過去10年間に惑星科学で人気を博してきた、成熟した物理手法である。 GPRはルナーと火星のミッションの両方に使われ、地球外惑星の表面地質に関する重要な情報を提供している。 本稿では,GPRデータの解釈・処理におけるディープラーニングの可能性について検討する。
  論文  参考訳（メタデータ） (2024-10-18T11:38:29Z)
• NotPlaNET: Removing False Positives from Planet Hunters TESS with Machine Learning [1.2289361708127877]
  我々は1次元畳み込みニューラルネットワーク(CNN)を構築し、楕円型バイナリやその他の偽陽性を潜在的な惑星候補から分離する。 我々のモデルは18分野のうち16分野の惑星の100%を保持し、一方は1つの惑星候補(0.3%)、残りのセクターは2つの惑星候補(0.6%)を誤ってフラグ付けする。
  論文  参考訳（メタデータ） (2024-05-28T15:29:40Z)
• Multi-Task Hypergraphs for Semi-supervised Learning using Earth Observations [51.344339837501835]
  本稿では,各ノードがタスクであり,与えられたタスクに到達したハイパーグラフが教師なしの教師になるような,強力なマルチタスクハイパーグラフを提案する。 我々のモデルは、地球観測の最も重要な問題の一つに応用され、それは非常に多タスクであり、しばしば地上データ不足に悩まされる。 ハイパーグラフは、そのマルチタスク・セルフ・スーパービジョン・プロセスを通じて、段階的なデータ分散シフトに教師なしで適応し、確実に回復可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-21T20:22:51Z)
• Discovering Long-period Exoplanets using Deep Learning with Citizen Science Labels [27.92211254318365]
  我々は、PHTボランティアスコアをトレーニングデータとして、惑星移動を分類するために、1次元畳み込みニューラルネットワークを訓練する。 我々は、ボランティアスコアを使用することで、合成データよりもパフォーマンスが大幅に向上し、既知の惑星の回復を可能にすることを発見した。
  論文  参考訳（メタデータ） (2022-11-13T13:33:34Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• 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)
• 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)
• 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)
• Identifying Planetary Transit Candidates in TESS Full-Frame Image Light Curves via Convolutional Neural Networks [1.2583362454189522]
  Transiting Exoplanet Survey Satelliteは、2年間の一次ミッションを通して、空の75%の恒星からの光を測定しました。 何百万ものTESS 30分のケイデンス光曲線は、通過する太陽系外惑星の探索で分析する。 本稿では,惑星通過信号の同定と偽陽性の除去を訓練する畳み込みニューラルネットワークを提案する。 我々は、我々のネットワークによって特定された181個の新しい惑星候補を提示する。
  論文  参考訳（メタデータ） (2021-01-26T16:40:51Z)
• 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。