論文の概要: Tails: Chasing Comets with the Zwicky Transient Facility and Deep Learning

• arxiv url: http://arxiv.org/abs/2102.13352v1
• Date: Fri, 26 Feb 2021 08:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-01 15:34:00.184437
• Title: Tails: Chasing Comets with the Zwicky Transient Facility and Deep Learning
• Title（参考訳）: Tails: Zwicky Transient FacilityとDeep LearningでCometsを魅了する
• Abstract要約: Tails は Zwicky Transient Facility (ZTF) の画像データにおける彗星の同定とローカライズのためのフレームワークである TailsはカスタムEfficientDetベースのアーキテクチャを採用し、ほぼリアルタイムで単一の画像で彗星を見つけることができます。 本研究では,ZTF Twilight調査データに基づいて,生産環境におけるTails効率評価の初期結果を報告する。
• 参考スコア（独自算出の注目度）: 0.4260602838972598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Tails, an open-source deep-learning framework for the identification and localization of comets in the image data of the Zwicky Transient Facility (ZTF), a robotic optical time-domain survey currently in operation at the Palomar Observatory in California, USA. Tails employs a custom EfficientDet-based architecture and is capable of finding comets in single images in near real time, rather than requiring multiple epochs as with traditional methods. The system achieves state-of-the-art performance with 99% recall, 0.01% false positive rate, and 1-2 pixel root mean square error in the predicted position. We report the initial results of the Tails efficiency evaluation in a production setting on the data of the ZTF Twilight survey, including the first AI-assisted discovery of a comet (C/2020 T2) and the recovery of a comet (P/2016 J3 = P/2021 A3).
• Abstract（参考訳）: 今回我々は,米国カリフォルニア州パロマー天文台で現在運用中のロボット光学時間領域調査であるzwicky transient facility (ztf) の画像データから彗星の同定と局在を示す,オープンソースのディープラーニングフレームワーク tails を提案する。 TailsはカスタムのEfficientDetベースのアーキテクチャを採用しており、従来の方法のように複数のエポックを必要とするのではなく、ほぼリアルタイムで単一の画像で彗星を見つけることができる。 このシステムは、予測位置における99%リコール、0.01%偽陽性率、1-2ピクセルのルート平均平方誤差で最先端のパフォーマンスを実現します。 ZTF Twilightサーベイのデータに基づいて,彗星 (C/2020 T2) のAI支援による最初の発見と彗星の回収 (P/2016 J3 = P/2021 A3) を含む生産環境におけるタイルス効率評価の初期結果を報告する。

関連論文リスト

• Real-Time Video Anomaly Detection Using YOLO Pose Estimation and CLIP-Based Semantic Scoring [0.3784545047113015]
  本稿では,リアルタイムビデオ異常検出のための軽量な2段階フレームワークを提案する。 第1段では、YOLO v11n-poseを使用して人物を検出し、単一の前方パスで17個の骨格キーポイントを抽出する。 第2段階は、CLIP ViT-B/32を介して、収穫された各人領域を符号化し、コサイン類似性を計算する。
  論文  参考訳（メタデータ） (2026-08-31T16:47:29Z)
• Spotted: Location-informed Reidentification of Hyenas and Leopards in Camera Trap Surveys [13.543644881695988]
  本稿では、カメラの位置から得られる時間的実現可能性と視覚的類似性を統合する、位置インフォームされた、ループ内動物型ReIDフレームワークを提案する。 我々のモデルでは、SpottedID102、SpottedHyenaID109、SpottedHyenaID415データセットのベースラインに対して、平均トップ5識別精度を9pp、2pp、9ppで改善しています。
  論文  参考訳（メタデータ） (2026-07-01T11:33:37Z)
• WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
  WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-09T03:28:05Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
  本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。 我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
  論文  参考訳（メタデータ） (2023-11-30T21:11:20Z)
• Blind Dates: Examining the Expression of Temporality in Historical Photographs [57.07335632641355]
  マルチモーダル言語とビジョンモデルであるCLIPのオープンソース実装であるOpenCLIPを用いて、画像の日付を調査する。 我々は1950年から1999年までの39,866枚のグレースケールの歴史的プレス写真を含むtextitDe Boer Scene Detectionデータセットを使用している。 解析の結果、バス、車、猫、犬、そして人々が写っている画像はより正確に年代付けされており、時間的マーカーの存在が示唆されている。
  論文  参考訳（メタデータ） (2023-10-10T13:51:24Z)
• Triple-stream Deep Metric Learning of Great Ape Behavioural Actions [3.8820728151341717]
  本研究では,類人猿の行動行動認識のための最初の計量学習システムを提案する。 提案する3重ストリーム埋め込みアーキテクチャは、野生で直接撮影されたカメラトラップビデオで動作する。
  論文  参考訳（メタデータ） (2023-01-06T18:36:04Z)
• GliTr: Glimpse Transformers with Spatiotemporal Consistency for Online Action Prediction [26.184988507662535]
  多くのオンライン行動予測モデルは、完全なフレームを観察し、スニースと呼ばれるフレーム内の情報的サブリージョンを特定し、参加する。 本稿では,Glimpse Transformers (GliTr) を開発した。
  論文  参考訳（メタデータ） (2022-10-24T21:10:34Z)
• Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
  近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。 従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。 本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:46:30Z)
• Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
  ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。 従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。 本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-05-22T10:17:38Z)
• Paying Attention to Astronomical Transients: Introducing the Time-series Transformer for Photometric Classification [6.586394734694152]
  本稿では,自然言語処理のためのトランスフォーマーアーキテクチャを提案する。 時系列変換器をフォトメトリック分類のタスクに適用し、エキスパートドメイン知識の信頼性を最小化する。 我々は、光度LSST天文時系列分類チャレンジのデータを用いて、不均衡なデータに対する0.507の対数ロスを達成する。
  論文  参考訳（メタデータ） (2021-05-13T10:16:13Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Sequential Place Learning: Heuristic-Free High-Performance Long-Term Place Recognition [24.70946979449572]
  学習ベースのCNN+LSTMアーキテクチャを開発し、バックプロパゲーションを通じてトレーニングし、視点および外観不変の場所認識を実現します。 我々のモデルは、新しい最先端パフォーマンス標準を設定しながら、15の古典的手法より優れています。 さらに, SPL は 729 km の経路において, 従来の方法よりも 70 倍高速に展開可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-02T22:57:43Z)
• Fast and Incremental Loop Closure Detection with Deep Features and Proximity Graphs [13.328790865796224]
  本稿では、FILD++という名前の外観に基づくループクロージャ検出パイプラインを提案する。 システムは連続した画像によって供給され、単一の畳み込みニューラルネットワークを2回通すことで、大域的および局所的な深い特徴を抽出する。 画像と画像のペアリングは、局所的な特徴を利用して空間情報を評価する。
  論文  参考訳（メタデータ） (2020-09-29T02:42:47Z)

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。