論文の概要: A Bayesian Convolutional Neural Network for Robust Galaxy Ellipticity Regression

• arxiv url: http://arxiv.org/abs/2104.09970v1
• Date: Tue, 20 Apr 2021 14:01:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 18:23:38.065128
• Title: A Bayesian Convolutional Neural Network for Robust Galaxy Ellipticity Regression
• Title（参考訳）: ロバスト銀河楕円性回帰のためのベイズ畳み込みニューラルネットワーク
• Authors: Claire Theobald, Bastien Arcelin, Fr\'ed\'eric Pennerath, Brieuc Conan-Guez, Miguel Couceiro, Amedeo Napoli
• Abstract要約: 銀河の楕円性を確実に推定する畳み込みニューラルネットワークを提案する。 畳み込みネットワークは、画像内のノイズの存在による不確かさを校正し、適切なアレエータ的不確かさを正しく推定するように訓練できるが、信頼できる楕円性分布を生成することができない。
• 参考スコア（独自算出の注目度）: 5.129856875153228
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Cosmic shear estimation is an essential scientific goal for large galaxy surveys. It refers to the coherent distortion of distant galaxy images due to weak gravitational lensing along the line of sight. It can be used as a tracer of the matter distribution in the Universe. The unbiased estimation of the local value of the cosmic shear can be obtained via Bayesian analysis which relies on robust estimation of the galaxies ellipticity (shape) posterior distribution. This is not a simple problem as, among other things, the images may be corrupted with strong background noise. For current and coming surveys, another central issue in galaxy shape determination is the treatment of statistically dominant overlapping (blended) objects. We propose a Bayesian Convolutional Neural Network based on Monte-Carlo Dropout to reliably estimate the ellipticity of galaxies and the corresponding measurement uncertainties. We show that while a convolutional network can be trained to correctly estimate well calibrated aleatoric uncertainty, -- the uncertainty due to the presence of noise in the images -- it is unable to generate a trustworthy ellipticity distribution when exposed to previously unseen data (i.e. here, blended scenes). By introducing a Bayesian Neural Network, we show how to reliably estimate the posterior predictive distribution of ellipticities along with robust estimation of epistemic uncertainties. Experiments also show that epistemic uncertainty can detect inconsistent predictions due to unknown blended scenes.
• Abstract（参考訳）: 宇宙のせん断推定は大きな銀河探査にとって重要な科学的目標である。 遠方の銀河画像が観測線に沿って弱い重力レンズによりコヒーレントに歪むことを指す。 宇宙における物質分布のトレーサーとして使うことができる。 宇宙せん断の局所値の偏りのない推定は、銀河の楕円性(形状)の後角分布のロバストな推定に依存するベイズ解析によって得られる。 これは単純な問題ではなく、画像は強い背景ノイズで破損する可能性がある。 現在および今後の調査では、銀河の形状決定におけるもう一つの中心的な問題は、統計的に支配的な重なり合う物体の扱いである。 本稿では,銀河の楕円性およびそれに対応する不確かさを確実に推定するために,モンテカルロ・ドロップアウトに基づくベイズ畳み込みニューラルネットワークを提案する。 畳み込みネットワークは、適切に校正されたアレタリック不確実性(画像にノイズが存在することによる不確実性)を正確に推定するために訓練できるが、これまで見られなかったデータ(すなわち)に露出すると、信頼できる楕円性分布を生成できないことを示す。 ここにブレンドシーンがある)。 ベイズニューラルネットワークを導入することにより, 楕円形の後方予測分布を確実に推定し, 認識の不確かさを頑健に推定する方法を示す。 実験では、不確実性は、未知の混合シーンによる矛盾した予測を検出することも示している。

関連論文リスト

• Impact of PSF misestimation and galaxy population bias on precision shear measurement using a CNN [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN)の高精度せん断推定への応用について検討する。 我々は、ノイズの多い円盤と楕円銀河の人口をシミュレートし、ユークリッドのようなサーベイを表すPSFを採用する。 推定されたせん断値と真のせん断値との線形関係を仮定して,CNNが達成した精度を定量化する。
  論文  参考訳（メタデータ） (2024-02-04T18:06:39Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Deep Bayesian inference for seismic imaging with tasks [0.6445605125467573]
  本稿では,ベイズ推定と深部ニューラルネットワークの手法を用いて,地震探査における不確実性を画像上で行うタスクの不確実性に変換することを提案する。 画像中のノイズによる不確かさを、自動的に追従された地平面の信頼区間に変換するための体系的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-10T15:25:44Z)
• Estimating and Exploiting the Aleatoric Uncertainty in Surface Normal Estimation [25.003116148843525]
  単一画像からの表面正規化は3次元シーン理解において重要な課題である。 本稿では,既存手法で共有されている2つの制約,すなわち,アレータリック不確実性を推定できないこと,および予測における詳細性の欠如に対処する。 本稿では,推定不確実性に基づいて,画素単位のパーセプトロンをサンプルとするデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-20T23:30:04Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Learnable Uncertainty under Laplace Approximations [65.24701908364383]
  我々は、予測そのものに分離された方法で不確実性を明示的に「訓練」するために形式主義を発展させる。 これらのユニットは不確実性を認識した目標によってトレーニング可能であり、標準的なラプラス近似の性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-10-06T13:43:33Z)
• Uncertainty quantification in imaging and automatic horizon tracking: a Bayesian deep-prior based approach [0.5156484100374059]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、解の不均一性とデータノイズ感度の確率論的記述を扱う。 本稿では,階層モデルを決定するために,UQが地平線追跡にどのように貢献するかに焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-01T04:26:33Z)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。