論文の概要: DeepGraviLens: a Multi-Modal Architecture for Classifying Gravitational
Lensing Data
- arxiv url: http://arxiv.org/abs/2205.00701v1
- Date: Mon, 2 May 2022 07:45:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 13:27:12.568068
- Title: DeepGraviLens: a Multi-Modal Architecture for Classifying Gravitational
Lensing Data
- Title（参考訳）: DeepGraviLens: 重力レンズデータの分類のためのマルチモーダルアーキテクチャ
- Authors: Nicol\`o Oreste Pinciroli Vago, Piero Fraternali
- Abstract要約: DeepGraviLensは、1つの非レンズ系と3つのレンズ系に属する時間データを分類する新しいネットワークである。
検討されたデータセットによっては、アート精度の現在の状態を$approx$19%から$43%に越えている。
- 参考スコア（独自算出の注目度）: 3.4138918206057265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gravitational lensing is the relativistic effect generated by massive bodies,
which bend the space-time surrounding them. It is a deeply investigated topic
in astrophysics and allows validating theoretical relativistic results and
studying faint astrophysical objects that would not be visible otherwise. In
recent years Machine Learning methods have been applied to support the analysis
of the gravitational lensing phenomena by detecting lensing effects in data
sets consisting of images associated with brightness variation time series.
However, the state-of-art approaches either consider only images and neglect
time-series data or achieve relatively low accuracy on the most difficult data
sets. This paper introduces DeepGraviLens, a novel multi-modal network that
classifies spatio-temporal data belonging to one non-lensed system type and
three lensed system types. It surpasses the current state of the art accuracy
results by $\approx$ 19% to $\approx$ 43%, depending on the considered data
set. Such an improvement will enable the acceleration of the analysis of lensed
objects in upcoming astrophysical surveys, which will exploit the petabytes of
data collected, e.g., from the Vera C. Rubin Observatory.
- Abstract（参考訳）: 重力レンズ(Gravitational Lensing)は、巨大な物体によって生じる相対論的効果で、周囲の時空を曲げる。
これは天体物理学において深く研究されたトピックであり、理論的相対論的な結果の検証と、それ以外は見えないようなかすかな天体の研究を可能にする。
近年,輝度変動時系列画像を用いたデータセットにおけるレンズ効果の検出により,重力レンズ現象の分析を支援する機械学習手法が提案されている。
しかし、最先端のアプローチでは画像のみを考慮し、時系列データを無視するか、最も難しいデータセットで比較的低い精度を達成する。
本稿では1つの非レンズ系と3つのレンズ系に属する時空間データを分類する新しいマルチモーダルネットワークであるDeepGraviLensを紹介する。
検討されたデータセットによって、アート精度の現在の状態を$\approx$19%から$\approx$43%に越えている。
このような改良により、次の天体物理調査におけるレンズ天体の分析が加速され、例えばベラ・C・ルービン天文台から収集されたペタバイトのデータを利用することができる。
関連論文リスト
- Astronomical image time series classification using CONVolutional
attENTION (ConvEntion) [0.9623578875486182]
本稿では,画像を直接利用して,異なる種類の空間オブジェクトを分類する深層学習に基づく新しい手法を提案する。
提案手法は時間的特徴を統合し,任意の帯域を持つ様々な種類の画像データセットに適用することができる。
論文 参考訳（メタデータ） (2023-04-03T08:48:44Z) - Detection of Strongly Lensed Arcs in Galaxy Clusters with Transformers [11.051750815556748]
本稿では,変圧器を用いた検出アルゴリズムと画像シミュレーションアルゴリズムを含む,クラスタスケールの強レンズアークを検出するフレームワークを提案する。
その結果,シミュレーション画像からの強レンズアーク検出において,99.63 %の精度,90.32 %のリコール率,85.37 %の精度,0.23 %の偽陽性率が得られた。
論文 参考訳（メタデータ） (2022-11-11T02:33:34Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳（メタデータ） (2022-11-01T18:07:21Z) - Robustness of deep learning algorithms in astronomy -- galaxy morphology
studies [0.0]
LSSTモックデータの異なる形態の銀河を識別するために訓練されたResNet18の性能に及ぼす露光時間からの観測ノイズの影響について検討した。
また、このような自然な攻撃が発生した場合に、ドメイン適応技術がモデルロバスト性を改善する方法についても検討する。
論文 参考訳（メタデータ） (2021-11-01T14:12:15Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳（メタデータ） (2021-05-07T03:49:26Z) - REGRAD: A Large-Scale Relational Grasp Dataset for Safe and
Object-Specific Robotic Grasping in Clutter [52.117388513480435]
本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。
データセットは2D画像と3Dポイントクラウドの両方で収集されます。
ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
論文 参考訳（メタデータ） (2021-04-29T05:31:21Z) - Robust Feature Disentanglement in Imaging Data via Joint Invariant
Variational Autoencoders: from Cards to Atoms [0.0]
関節回転(および翻訳)不変変分オートエンコーダ(j-trVAE)を導入する。
この方法の性能は、いくつかの合成データセットで検証され、電子および走査プローブ顕微鏡の高分解能イメージングデータに拡張されます。
強誘電体材料と量子系の既知の物理学に直接関連する潜在空間の挙動を示す。
論文 参考訳（メタデータ） (2021-04-20T18:01:55Z) - Contemplating real-world object classification [53.10151901863263]
Barbuらが最近提案したObjectNetデータセットを再分析した。
日常の状況に物を含むこと。
分離されたオブジェクトにディープモデルを適用すると、元の論文のようにシーン全体ではなく、約20～30%の性能改善が得られます。
論文 参考訳（メタデータ） (2021-03-08T23:29:59Z) - DeFMO: Deblurring and Shape Recovery of Fast Moving Objects [139.67524021201103]
生成モデルは、ぼやけたオブジェクトのイメージを潜在空間表現に埋め込み、背景を歪め、シャープな外観を描画する。
DeFMOは芸術の状態を上回り、高品質の時間超解像フレームを生成する。
論文 参考訳（メタデータ） (2020-12-01T16:02:04Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - Quasar Detection using Linear Support Vector Machine with Learning From
Mistakes Methodology [0.0]
超大質量ブラックホールが光の降着円盤に囲まれている非常に明るい物体であるクエーサーを検出するために、LSVM(Linear Support Vector Machine)を探索した。
LSVMとEnsemble Bagged Trees (EBT)はFalse Negative Rateの10倍の低下を示した。
論文 参考訳（メタデータ） (2020-10-01T13:41:51Z)
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。