論文の概要: Identifying Transients in the Dark Energy Survey using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2203.09908v1
• Date: Fri, 18 Mar 2022 12:37:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 19:58:15.061495
• Title: Identifying Transients in the Dark Energy Survey using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた暗黒エネルギー探査における過渡度同定
• Authors: Venkitesh Ayyar, Robert Knop Jr., Autumn Awbrey, Alexis Anderson and Peter Nugent
• Abstract要約: ダークエナジー・サーベイ・スーパーノバ・プログラム(DES-SN)の既存のデータセットに対するCNNを用いた画像の自動過渡識別の結果について述べる。 非人工物(超新星、可変星、AGNなど)を人工物(画像欠陥、誤抽出など)から効率的に選択するネットワークを同定する。 CNNは、誤ラベルされた画像のサブセットを特定するのにも役立ちます。このサブセットで画像のラベル付けを行うと、CNNによる分類は、以前の結果よりもはるかに優れているのです。
• 参考スコア（独自算出の注目度）: 0.4759823735082844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to discover new transients via image differencing without direct human intervention is an important task in observational astronomy. For these kind of image classification problems, machine Learning techniques such as Convolutional Neural Networks (CNNs) have shown remarkable success. In this work, we present the results of an automated transient identification on images with CNNs for an extant dataset from the Dark Energy Survey Supernova program (DES-SN), whose main focus was on using Type Ia supernovae for cosmology. By performing an architecture search of CNNs, we identify networks that efficiently select non-artifacts (e.g. supernovae, variable stars, AGN, etc.) from artifacts (image defects, mis-subtractions, etc.), achieving the efficiency of previous work performed with random Forests, without the need to expend any effort in feature identification. The CNNs also help us identify a subset of mislabeled images. Performing a relabeling of the images in this subset, the resulting classification with CNNs is significantly better than previous results.
• Abstract（参考訳）: 直接人間の介入なしに画像差によって新しい過渡現象を発見する能力は、観測天文学において重要な課題である。 このような画像分類問題に対して,畳み込みニューラルネットワーク(cnns)などの機械学習技術が注目に値する成功を収めている。 本稿では,宇宙論におけるia型超新星の活用に重点を置いた,dark energy survey supernova program(des-sn)の既存のデータセットに対するcnnを用いた画像の自動過渡的同定の結果について述べる。 cnnのアーキテクチャ探索を行うことで、アーティファクトから非アーティファクト(超新星、変光星、agnなど)を効率的に選択するネットワーク(画像欠陥、誤算など)を識別し、特徴同定の手間を省くことなく、ランダムフォレストで行った以前の作業の効率性を達成する。 cnnは誤ラベル画像のサブセットを特定するのにも役立ちます。 このサブセットで画像のラベリングを実行すると、CNNによる分類は以前の結果よりもはるかに優れている。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Spherical CNN for Medical Imaging Applications: Importance of Equivariance in image reconstruction and denoising [0.0]
  同変ネットワークは、トモグラフィー応用のための効率的かつ高性能なアプローチである。 2次元および3次元の医療画像問題に対する同変球状CNNの有効性を評価した。 本稿では,従来の画像再構成ツールの補完としてSCNNを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-06T21:18:47Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• H&E-adversarial network: a convolutional neural network to learn stain-invariant features through Hematoxylin & Eosin regression [1.7371375427784381]
  本稿では,様々な色の変化を含むデータに基づいて,畳み込みニューラルネットワーク(CNN)を学習する新しい手法を提案する。 H&E-adversarial CNNと呼ばれるこの手法は、トレーニング中にH&Eマトリックス情報を利用して、染色不変の特徴を学習する。
  論文  参考訳（メタデータ） (2022-01-17T10:34:23Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Combining pretrained CNN feature extractors to enhance clustering of complex natural images [27.784346095205358]
  本稿では,画像クラスタリング(IC)における事前学習CNN機能の利用に関する知見を提供することを目的とする。 そこで本研究では,IC問題をマルチビュークラスタリング(MVC)問題として再構成することを提案する。 次に、MVC問題を効果的に解くためにエンドツーエンドに訓練されたマルチインプットニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-01-07T21:23:04Z)
• Convolutional Neural Networks for Multispectral Image Cloud Masking [7.812073412066698]
  畳み込みニューラルネットワーク(CNN)は多くの画像分類タスクの最先端技術であることが証明されている。 Proba-Vマルチスペクトル画像のクラウドマスキングにおける異なるCNNアーキテクチャの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-09T21:33:20Z)
• Video-based Facial Expression Recognition using Graph Convolutional Networks [57.980827038988735]
  我々は、ビデオベースの表情認識のための共通のCNN-RNNモデルに、GCN(Graph Convolutional Network)層を導入する。 我々は、CK+、Oulu-CASIA、MMIの3つの広く使われているデータセットと、AFEW8.0の挑戦的なワイルドデータセットについて、本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-10-26T07:31:51Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)

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。