論文の概要: MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using Deep Learning

• arxiv url: http://arxiv.org/abs/2104.13950v1
• Date: Wed, 28 Apr 2021 18:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 13:13:31.750613
• Title: MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using Deep Learning
• Title（参考訳）: MeerCRAB:ディープラーニングを用いた実・ボグス過渡現象のMeerLICHT分類
• Authors: Zafiirah Hosenie, Steven Bloemen, Paul Groot, Robert Lyon, Bart Scheers, Benjamin Stappers, Fiorenzo Stoppa, Paul Vreeswijk, Simon De Wet, Marc Klein Wolt, Elmar K\"ording, Vanessa McBride, Rudolf Le Poole, Kerry Paterson, Dani\"elle L. A. Pieterse and Patrick Woudt
• Abstract要約: 本論文では,$textttMeerCRAB$という畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。 MeerLICHT望遠鏡の過渡検出パイプラインで、真の天体物理源からいわゆる「ボグ」検出をフィルタリングするように設計されています。
• 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: Astronomers require efficient automated detection and classification pipelines when conducting large-scale surveys of the (optical) sky for variable and transient sources. Such pipelines are fundamentally important, as they permit rapid follow-up and analysis of those detections most likely to be of scientific value. We therefore present a deep learning pipeline based on the convolutional neural network architecture called $\texttt{MeerCRAB}$. It is designed to filter out the so called 'bogus' detections from true astrophysical sources in the transient detection pipeline of the MeerLICHT telescope. Optical candidates are described using a variety of 2D images and numerical features extracted from those images. The relationship between the input images and the target classes is unclear, since the ground truth is poorly defined and often the subject of debate. This makes it difficult to determine which source of information should be used to train a classification algorithm. We therefore used two methods for labelling our data (i) thresholding and (ii) latent class model approaches. We deployed variants of $\texttt{MeerCRAB}$ that employed different network architectures trained using different combinations of input images and training set choices, based on classification labels provided by volunteers. The deepest network worked best with an accuracy of 99.5$\%$ and Matthews correlation coefficient (MCC) value of 0.989. The best model was integrated to the MeerLICHT transient vetting pipeline, enabling the accurate and efficient classification of detected transients that allows researchers to select the most promising candidates for their research goals.
• Abstract（参考訳）: 天文学者は、変数とトランジェント源のために(光学的)空を大規模に調査する際に、効率的な自動検出と分類パイプラインを必要とする。 このようなパイプラインは基本的に重要であり、これらの検出の迅速な追跡と分析が科学的な価値である可能性が高いためである。 そこで我々は,$\texttt{meercrab}$と呼ばれる畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。 これは、meerlicht望遠鏡の過渡検出パイプラインにおいて、真の天体物理源からいわゆる「ボガス」検出をフィルターするように設計されている。 様々な2次元画像とそれらの画像から抽出した数値特徴を用いて光学的候補を記述する。 入力画像と対象クラスとの関係は不明確であり、基礎的真理は定義が不十分であり、しばしば議論の対象となっている。 これにより、分類アルゴリズムのトレーニングに使用する情報のソースを決定するのが難しくなる。 そのため、データ(i)しきい値付けと(ii)潜在クラスモデルアプローチのラベル付けに2つの手法を用いた。 入力画像の異なる組み合わせでトレーニングされた異なるネットワークアーキテクチャと、ボランティアが提供する分類ラベルに基づいたトレーニングセットの選択を駆使した、$\texttt{meercrab}$の変種をデプロイしました。 最も深いネットワークは99.5$\%$の精度で動作し、マシューズ相関係数 (mcc) は0.989であった。 最良のモデルは meerlicht transient vetting pipeline に統合され、検出されたトランジットの正確かつ効率的な分類が可能となり、研究者は研究目標に最も有望な候補を選ぶことができる。

関連論文リスト

• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Creating Ensembles of Classifiers through UMDA for Aerial Scene Classification [0.8049701904919515]
  リモートセンシング領域では、CNNアーキテクチャを代替ソリューションとして使用することもシーン分類タスクの現実である。 本研究は,6つのDML手法を空撮シーン分類タスクに適用し,その動作を4種類の事前学習CNNを用いて解析することを提案する。 実験では、従来の訓練済みCNNと比較して、DMLアプローチよりも優れた分類結果が得られる。
  論文  参考訳（メタデータ） (2023-03-20T18:49:39Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• What's the Difference? The potential for Convolutional Neural Networks for transient detection without template subtraction [0.0]
  本稿では、画像から天体物理学的トランジェントを分離するための畳み込みニューラルネットワーク(CNN)の可能性について検討する。 ダーク・エナジー・サーベイのデータを用いて、我々はCNNを用いて「リアル・ボガス」分類を自動化する。
  論文  参考訳（メタデータ） (2022-03-14T18:00:03Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
  本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-28T18:10:26Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Lightweight Convolutional Neural Network with Gaussian-based Grasping Representation for Robotic Grasping Detection [4.683939045230724]
  現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。 ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。 ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
  論文  参考訳（メタデータ） (2021-01-25T16:36:53Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Hyperspectral Images Classification Based on Multi-scale Residual Network [5.166817530813299]
  ハイパースペクトルリモートセンシング画像は多くの冗長情報を含み、データ構造は非線形である。 深層畳み込みニューラルネットワークの精度は高いが、訓練に少量のデータを使用すると、ディープラーニング手法の分類精度が大幅に低下する。 ハイパースペクトル画像の小さなサンプルに対して,既存のアルゴリズムの分類精度の低い問題を解くために,マルチスケール残差ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T13:46:52Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。