論文の概要: Variational Inference for Deblending Crowded Starfields
- arxiv url: http://arxiv.org/abs/2102.02409v1
- Date: Thu, 4 Feb 2021 04:36:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 15:58:25.100565
- Title: Variational Inference for Deblending Crowded Starfields
- Title（参考訳）: 群集スターフィールドの変分推定
- Authors: Runjing Liu, Jon D. McAuliffe, Jeffrey Regier (for the LSST Dark
Energy Science Collaboration)
- Abstract要約: ディブレンディング(deblending)とは、調査画像から個々の光源を識別し、特徴付けるタスクである。
混み合った星場の天体画像のソースを損なうための完全にベイズ的手法であるStarNetを提案する。
- 参考スコア（独自算出の注目度）: 2.371982686172067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the image data collected by astronomical surveys, stars and galaxies often
overlap. Deblending is the task of distinguishing and characterizing individual
light sources from survey images. We propose StarNet, a fully Bayesian method
to deblend sources in astronomical images of crowded star fields. StarNet
leverages recent advances in variational inference, including amortized
variational distributions and the wake-sleep algorithm. Wake-sleep, which
minimizes forward KL divergence, has significant benefits compared to
traditional variational inference, which minimizes a reverse KL divergence. In
our experiments with SDSS images of the M2 globular cluster, StarNet is
substantially more accurate than two competing methods: Probablistic Cataloging
(PCAT), a method that uses MCMC for inference, and a software pipeline employed
by SDSS for deblending (DAOPHOT). In addition, StarNet is as much as $100,000$
times faster than PCAT, exhibiting the scaling characteristics necessary to
perform fully Bayesian inference on modern astronomical surveys.
- Abstract（参考訳）: 天文調査によって収集された画像データでは、星と銀河はしばしば重なる。
デブレンディングは、個々の光源を調査画像から区別し、特徴付ける作業です。
混雑した星界の天文学的画像からソースを消す完全ベイズ法であるStarNetを提案する。
starnetは、amortized variational distributionsやwake-sleepアルゴリズムなど、変分推論の最近の進歩を活用している。
ウェイクリープはKLの分岐を最小化するが、逆KLの分岐を最小化する従来の変分推論と比較して大きな利点がある。
筆者らは,M2球状クラスタのSDSS画像を用いた実験において,PCAT (Probablistic Cataloging) とDAOPHOT (SDSS for Deblending) を用いたソフトウェアパイプラインの2つの競合手法と比較して,StarNetの精度を著しく向上した。
さらに、StarNetはPCATよりも10万ドル速く、現代の天文調査でベイズ推論を完全に実行するのに必要なスケーリング特性を示しています。
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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - AstroCLIP: A Cross-Modal Foundation Model for Galaxies [40.43521617393482]
AstroCLIPは、銀河の画像とスペクトルを個別に埋め込むため、トランスフォーマーベースの画像とスペクトルエンコーダを自己監督設定で事前訓練する。
教師付きベースラインと比較しても、下流のタスクで顕著なパフォーマンスが得られます。
提案手法は、銀河の画像とスペクトルの自己教師型変換器に基づく最初のアーキテクチャである。
論文 参考訳（メタデータ） (2023-10-04T17:59:38Z) - Uncertainty-Aware Blob Detection with an Application to Integrated-Light
Stellar Population Recoveries [0.0]
ULoGと呼ばれるブロブ検出のための古典的なラプラシア・オブ・ガウス法の不確実性対応バージョンを開発した。
我々は、ULoGを推定されたM54年齢/金属量分布に適用し、その恒星の2つから3つの有意な個体群を同定した。
論文 参考訳（メタデータ） (2022-08-11T15:34:27Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - Partial-Attribution Instance Segmentation for Astronomical Source
Detection and Deblending [0.24920602678297968]
深層学習モデルに適した方法でソースの検出と検証を可能にする、Partial-Attribution Instancesと呼ばれる新しいアプローチを導入する。
提案手法の実証として,新しいニューラルネットワークの実装を提案する。
論文 参考訳（メタデータ） (2022-01-12T21:59:13Z) - PANet: Perspective-Aware Network with Dynamic Receptive Fields and
Self-Distilling Supervision for Crowd Counting [63.84828478688975]
本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。
対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。
このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
論文 参考訳（メタデータ） (2021-10-31T04:43:05Z) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳（メタデータ） (2021-06-25T16:01:19Z) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳（メタデータ） (2021-06-08T00:30:43Z) - StarcNet: Machine Learning for Star Cluster Identification [21.804465402347027]
StarcNetは畳み込みニューラルネットワーク(CNN)であり、LEGUS銀河の画像における星団分類の精度は68.6%(4クラス)/86.0%(2クラス:クラスター/クラスター)で、人間の専門家のパフォーマンスとほぼ一致する。
我々は、トレーニングセットに含まれない銀河に事前訓練されたcnnモデルを適用することで、starcnetの性能をテストする。
恒星団の光度、色、物理的特性は、ヒトおよびml分類標本に類似している。
論文 参考訳（メタデータ） (2020-12-16T23:58:01Z) - 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。