論文の概要: First Full-Event Reconstruction from Imaging Atmospheric Cherenkov
Telescope Real Data with Deep Learning
- arxiv url: http://arxiv.org/abs/2105.14927v1
- Date: Mon, 31 May 2021 12:51:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 16:51:56.970187
- Title: First Full-Event Reconstruction from Imaging Atmospheric Cherenkov
Telescope Real Data with Deep Learning
- Title(参考訳): 深層学習による大気ケレンコフ望遠鏡の実データからの初のフルイベント再構成
- Authors: Mika\"el Jacquemont (LAPP), Thomas Vuillaume (LAPP), Alexandre Benoit
(LISTIC), Gilles Maurin (LAPP), Patrick Lambert (LISTIC), Giovanni Lamanna
(LAPP)
- Abstract要約: チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。
地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。
我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
- 参考スコア(独自算出の注目度): 55.41644538483948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Cherenkov Telescope Array is the future of ground-based gamma-ray
astronomy. Its first prototype telescope built on-site, the Large Size
Telescope 1, is currently under commissioning and taking its first scientific
data. In this paper, we present for the first time the development of a
full-event reconstruction based on deep convolutional neural networks and its
application to real data. We show that it outperforms the standard analysis,
both on simulated and on real data, thus validating the deep approach for the
CTA data analysis. This work also illustrates the difficulty of moving from
simulated data to actual data.
- Abstract(参考訳): チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。
地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。
本稿では,深層畳み込みニューラルネットワークに基づくフルイベント再構成の開発と実データへの適用について述べる。
シミュレーションと実データの両方で標準解析よりも優れており、ctaデータ解析の深いアプローチを検証することができる。
この研究は、シミュレーションデータから実際のデータに移行することの難しさも示している。
関連論文リスト
- Self-Driving Telescopes: Autonomous Scheduling of Astronomical
Observation Campaigns with Offline Reinforcement Learning [0.6976905094072174]
我々は、ストーンエッジ天文台(SEO)の観測スケジュールを最適化するために、シミュレーションデータを用いてDeep Q-Network(DQN)の複数の実装をテスト、比較する。
DQNは,テストセットの各状態における達成可能な最大報酬の87%以上-6%の報酬を得られることを示す。
これは、特定の天文学的課題に対するオフラインRLアルゴリズムの最初の比較であり、そのような比較と評価を行うための最初のオープンソースフレームワークである。
論文 参考訳(メタデータ) (2023-11-29T21:23:30Z) - ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal
Prediction [55.30913411696375]
本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。
エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。
降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
論文 参考訳(メタデータ) (2023-09-01T07:55:53Z) - Linking the Dynamic PicoProbe Analytical Electron-Optical Beam Line /
Microscope to Supercomputers [39.52789559084336]
Argonne National Laboratory(アルゴンヌ国立研究所)のDynamic PicoProbe(ダイナミック・ピコプローブ)は、1日に最大100GBのデータを生成できるアップグレードを行っている。
このデータは、基本的な科学と産業の両方のアプリケーションにとって非常に重要であるが、現在、これらの高ボリュームのデータストリームを扱うためのオンサイトインフラストラクチャは限られている。
本稿では,隣接するArgonne Leadership Computing Facilityにおいて,近隣のスーパーコンピュータへの大規模データ転送を支援するソフトウェアアーキテクチャを提供することにより,この問題に対処する。
このインフラストラクチャは、期待されるワークロードをサポートし、ドメインサイエンティストに過去の実験からデータを再インターロゲートして、さらなる科学的価値をもたらし、新たな洞察を導き出す機能を提供する。
論文 参考訳(メタデータ) (2023-08-25T23:07:58Z) - F2SD: A dataset for end-to-end group detection algorithms [3.3117512968892355]
我々は、F2SD(F-formation Simulation dataset)と呼ばれる、F-formation Detectionのためのシミュレーション画像の大規模データセットを開発した。
F2SDには、GTA-5からシミュレートされた6万近い画像が含まれており、バウンディングボックスと画像の向き情報がある。
このような大規模なシミュレートされたデータセットを現実的に構築することは困難である。
論文 参考訳(メタデータ) (2022-11-20T15:42:22Z) - PCGen: Point Cloud Generator for LiDAR Simulation [10.692184635629792]
既存の方法は、実点雲よりもノイズが多く、完全なデータを生成する。
我々はFPAレイキャストと代理モデルレイドロップを提案する。
最小限のトレーニングデータによって、代理モデルは異なる地理やシーンに一般化することができる。
その結果、シミュレーションデータにより訓練されたオブジェクト検出モデルは、実際のデータトレーニングモデルと同じような結果が得られることがわかった。
論文 参考訳(メタデータ) (2022-10-17T04:13:21Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳(メタデータ) (2022-09-22T13:12:54Z) - Towards Scale Consistent Monocular Visual Odometry by Learning from the
Virtual World [83.36195426897768]
仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。
まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。
結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
論文 参考訳(メタデータ) (2022-03-11T01:51:54Z) - Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in
Adverse Weather [92.84066576636914]
本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。
我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。
Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
論文 参考訳(メタデータ) (2021-08-11T14:37:54Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳(メタデータ) (2021-04-28T15:13:12Z) - DeepMerge II: Building Robust Deep Learning Algorithms for Merging
Galaxy Identification Across Domains [0.0]
天文学では、ニューラルネットワークはしばしばシミュレーションデータで訓練され、望遠鏡の観測に使用されます。
従来の深層学習アルゴリズムと比較して,各領域適応手法の追加により分類器の性能が向上することを示した。
この2つの例は、遠方の銀河の2つのIllustris-1シミュレーションデータセットと、近くの銀河のシミュレーションデータとSloan Digital Sky Surveyの観測データである。
論文 参考訳(メタデータ) (2021-03-02T00:24:10Z)
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。