論文の概要: PNet -- A Deep Learning Based Photometry and Astrometry Bayesian Framework

• arxiv url: http://arxiv.org/abs/2106.14349v3
• Date: Wed, 11 Oct 2023 01:30:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 04:53:06.821599
• Title: PNet -- A Deep Learning Based Photometry and Astrometry Bayesian Framework
• Title（参考訳）: pnet --深層学習に基づく測光・天体計測ベイズフレームワーク
• Authors: Rui Sun, Peng Jia, Yongyang Sun, Zhimin Yang, Qiang Liu, Hongyan Wei
• Abstract要約: 我々は、天体を検出し、その大きさと位置を抽出するために設計されたエンドツーエンドのフレームワークであるPNetを提示する。 第2フェーズでは、PNetは、校正された測光結果に関連する不確実性を推定し、光曲線分類アルゴリズムの貴重な基準となる。 我々のアルゴリズムはシミュレーションデータと実観測データの両方を用いてテストされ、PNetが一貫した信頼性のある結果を提供できることを示した。
• 参考スコア（独自算出の注目度）: 7.4412078223570335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time domain astronomy has emerged as a vibrant research field in recent years, focusing on celestial objects that exhibit variable magnitudes or positions. Given the urgency of conducting follow-up observations for such objects, the development of an algorithm capable of detecting them and determining their magnitudes and positions has become imperative. Leveraging the advancements in deep neural networks, we present the PNet, an end-to-end framework designed not only to detect celestial objects and extract their magnitudes and positions but also to estimate photometry uncertainty. The PNet comprises two essential steps. Firstly, it detects stars and retrieves their positions, magnitudes, and calibrated magnitudes. Subsequently, in the second phase, the PNet estimates the uncertainty associated with the photometry results, serving as a valuable reference for the light curve classification algorithm. Our algorithm has been tested using both simulated and real observation data, demonstrating the PNet's ability to deliver consistent and reliable outcomes. Integration of the PNet into data processing pipelines for time-domain astronomy holds significant potential for enhancing response speed and improving the detection capabilities for celestial objects with variable positions and magnitudes.
• Abstract（参考訳）: 時間領域天文学は近年活発な研究分野として発展し、様々な大きさや位置を示す天体に焦点を当てている。 このような物体に対する追従観測の緊急性を考えると,検出し,その大きさや位置を決定できるアルゴリズムの開発が不可欠である。 PNetは、天体を検出し、その大きさと位置を抽出するだけでなく、測光の不確かさを推定するために設計されたエンドツーエンドのフレームワークである。 PNetには2つの重要なステップがある。 まず、恒星を検出し、その位置、等級、等級を推定する。 その後、第2フェーズにおいて、pnetは光度測定結果に関連する不確かさを推定し、光曲線分類アルゴリズムの貴重な参照となる。 我々のアルゴリズムはシミュレーションデータと実観測データの両方を用いてテストされ、PNetが一貫した信頼性のある結果を提供できることを示した。 時間領域天文学のためのデータ処理パイプラインへのpnetの統合は、応答速度の向上と、位置や大きさの異なる天体の検出能力の向上に重要な可能性を秘めている。

関連論文リスト

• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Towards Consistent Object Detection via LiDAR-Camera Synergy [17.665362927472973]
  物体の位置を点雲と画像の両方で検出できる既存のモデルは存在しない。 本稿では,エンドツーエンドの一貫性オブジェクト検出(COD)アルゴリズムフレームワークを提案する。 本稿では,点雲と画像間の物体相関の精度を評価するために,新しい評価指標である一貫性精度(Consistency Precision)を提案する。
  論文  参考訳（メタデータ） (2024-05-02T13:04:26Z)
• Detection and Segmentation of Cosmic Objects Based on Adaptive Thresholding and Back Propagation Neural Network [0.0]
  本稿では,適応閾値法(ATM)に基づくセグメンテーションと,BPNNに基づく宇宙物体検出を提案する。 本稿では、ATMとBPNNを用いて天体の分類と検出を行う方法について述べる。
  論文  参考訳（メタデータ） (2023-08-02T04:02:46Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
  本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。 我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
  論文  参考訳（メタデータ） (2022-08-23T07:29:03Z)
• GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
  軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
  論文  参考訳（メタデータ） (2021-12-08T00:24:03Z)
• Inferring dark matter substructure with astrometric lensing beyond the power spectrum [0.0]
  そこで我々は,地球規模の暗黒物質による重力レンズのシグネチャの探索手法を提案する。 提案手法は, 暗黒物質群に対する感度が有意に向上したことを示す。
  論文  参考訳（メタデータ） (2021-10-04T18:00:00Z)
• Point Spread Function Estimation for Wide Field Small Aperture Telescopes with Deep Neural Networks and Calibration Data [11.909250072362264]
  点拡散関数 (PSF) は望遠鏡の状態を反映する。 視界全体の任意の位置におけるPSFの推定は、光学系によって誘導される収差が非常に複雑であるため困難である。 我々は、さらにディープニューラルネットワーク(DNN)に基づくPSFモデリング法を開発し、そのPSF推定への応用を示す。
  論文  参考訳（メタデータ） (2020-11-20T07:26:02Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• G2L-Net: Global to Local Network for Real-time 6D Pose Estimation with Embedding Vector Features [39.77987181390717]
  本稿では,G2L-Netという新しいリアルタイム6次元オブジェクトポーズ推定フレームワークを提案する。 我々のネットワークは、RGB-D検出の点雲を分割・分散方式で運用している。 G2L-Netは精度と速度の両面で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2020-03-24T19:42:24Z)

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。