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
- EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳(メタデータ) (2025-01-14T13:42:22Z) - Scalable Cosmic AI Inference using Cloud Serverless Computing with FMI [0.35337216626844875]
大規模な天体画像データ処理と予測は天文学者にとって不可欠である。
現代のディープラーニングモデルは高い予測精度を提供するが、しばしばかなりの計算資源を必要とする。
これらの課題に対処するために、クラウドベースの天文学推論フレームワークを紹介します。
論文 参考訳(メタデータ) (2025-01-08T20:50:56Z) - Bayesian Deconvolution of Astronomical Images with Diffusion Models: Quantifying Prior-Driven Features in Reconstructions [40.13294159814764]
天体画像のデコンボリューションは、天体の固有の性質を回復する鍵となる側面である。
本稿では,拡散モデル (DM) と拡散後サンプリング (DPS) アルゴリズムを用いた逆問題解法を提案する。
論文 参考訳(メタデータ) (2024-11-28T14:00:00Z) - TelescopeML -- I. An End-to-End Python Package for Interpreting Telescope Datasets through Training Machine Learning Models, Generating Statistical Reports, and Visualizing Results [1.3372051498158442]
textttTelescopeMLは3つの主要なタスクを実行するために開発されたPythonパッケージである。
CNNモデルをトレーニングするための合成天文学データセットを処理し、後の予測に使用する観測データセットを作成する。
論文 参考訳(メタデータ) (2024-07-24T00:44:52Z) - Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。
我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。
本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
論文 参考訳(メタデータ) (2024-06-06T07:34:58Z) - 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) - 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) - 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) - 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)
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。