論文の概要: A machine-generated catalogue of Charon's craters and implications for
the Kuiper belt
- arxiv url: http://arxiv.org/abs/2206.08277v1
- Date: Thu, 16 Jun 2022 16:16:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 16:22:11.450208
- Title: A machine-generated catalogue of Charon's craters and implications for
the Kuiper belt
- Title（参考訳）: シャロンのクレーターの機械生成カタログとカイパーベルトへの示唆
- Authors: Mohamad Ali-Dib
- Abstract要約: 深層学習モデルを用いて,Charonのクレーターサイズ分布について検討する。
我々は、頑健な画像拡張スキームを使用して、モデルに氷状物体への一般化と転送を強制する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we investigate Charon's craters size distribution using a deep
learning model. This is motivated by the recent results of Singer et al. (2019)
who, using manual cataloging, found a change in the size distribution slope of
craters smaller than 12 km in diameter, translating into a paucity of small
Kuiper Belt objects. These results were corroborated by Robbins and Singer
(2021), but opposed by Morbidelli et al. (2021), necessitating an independent
review. Our MaskRCNN-based ensemble of models was trained on Lunar, Mercurian,
and Martian crater catalogues and both optical and digital elevation images. We
use a robust image augmentation scheme to force the model to generalize and
transfer-learn into icy objects. With no prior bias or exposure to Charon, our
model find best fit slopes of q =-1.47+-0.33 for craters smaller than 10 km,
and q =-2.91+-0.51 for craters larger than 15 km. These values indicate a clear
change in slope around 15 km as suggested by Singer et al. (2019) and thus
independently confirm their conclusions. Our slopes however are both slightly
flatter than those found more recently by Robbins and Singer (2021). Our
trained models and relevant codes are available online on
github.com/malidib/ACID .
- Abstract（参考訳）: 本稿では,深層学習モデルを用いたCharonのクレーターサイズ分布について検討する。
これは、singer et al. (2019) の最近の結果に動機付けられており、手作業によるカタログ作成により、直径12km以下のクレーターの大きさ分布の勾配が変化し、小型のカイパーベルト天体に翻訳された。
これらの結果はRobins and Singer (2021) によって裏付けられたが、Morbidelli et al. (2021) は反対し、独立したレビューを必要とした。
我々のMaskRCNNベースのモデルアンサンブルは、Lunar、Mercurian、Martianのクレーターカタログと光学的およびデジタル的標高画像に基づいて訓練された。
我々は、モデルに氷のオブジェクトへの一般化と転送を強制するためにロバストな画像拡張スキームを使用する。
先行バイアスやカロンへの曝露がなく、10km以下のクレーターではq =-1.47+-0.33、15km以上のクレーターではq =-2.91+-0.51が最適である。
これらの値は、singer et al. (2019) が示唆する15km前後の傾斜の明確な変化を示し、その結果を独立に確認する。
しかし、我々の斜面は、Robins と Singer (2021) が最近発見した斜面よりもわずかに平坦である。
トレーニング済みのモデルと関連するコードはgithub.com/malidib/acidでオンラインで利用できます。
関連論文リスト
- Neural Metamorphosis [72.88137795439407]
本稿では,ニューラル・メタモルファス(NeuMeta)と呼ばれる,自己変形可能なニューラルネットワークの構築を目的とした新たな学習パラダイムを提案する。
NeuMetaはニューラルネットワークの連続重み多様体を直接学習する。
75%の圧縮速度でもフルサイズの性能を維持する。
論文 参考訳（メタデータ） (2024-10-10T14:49:58Z) - Interpreting the Weight Space of Customized Diffusion Models [79.14866339932199]
微調整拡散モデルの重み空間は、新しいモデルを生成する解釈可能なメタラテント空間として振る舞うことができることを示す。
この結果から,微調整拡散モデルの重み空間は,新しいモデルを生成する解釈可能なメタラテント空間として振る舞うことが示唆された。
論文 参考訳（メタデータ） (2024-06-13T17:59:56Z) - Field-level simulation-based inference with galaxy catalogs: the impact of systematic effects [0.6271213328710472]
我々は、CAMELSプロジェクトと異なるコードで実行される何千もの最先端の流体力学シミュレーションから生成された銀河カタログ上で、我々のモデルを訓練し、テストする。
これらの効果の存在はモデルの精度と精度を低下させるが、モデルが良好に機能する銀河カタログの比率は90%以上である。
論文 参考訳（メタデータ） (2023-10-23T18:00:07Z) - Machine learning methods for the search for L&T brown dwarfs in the data
of modern sky surveys [67.17190225886465]
ブラウン・ドワーフ(BD)は、銀河の全ての天体の25%を占めるべきである。
その弱さのため、ブラウン・ドワーフのスペクトル研究は比較的困難である。
多くの試みが、その色を決定規則として使用して茶色の小星を探索し、生成する試みがなされている。
論文 参考訳（メタデータ） (2023-08-06T08:14:35Z) - Isolation and Induction: Training Robust Deep Neural Networks against
Model Stealing Attacks [51.51023951695014]
既存のモデル盗難防衛は、被害者の後部確率に偽りの摂動を加え、攻撃者を誤解させる。
本稿では,モデルステルス防衛のための新規かつ効果的なトレーニングフレームワークである分離誘導(InI)を提案する。
モデルの精度を損なうモデル予測に摂動を加えるのとは対照的に、我々はモデルを訓練して、盗むクエリに対して非形式的なアウトプットを生成する。
論文 参考訳（メタデータ） (2023-08-02T05:54:01Z) - A Measurement of the Kuiper Belt's Mean Plane From Objects Classified By
Machine Learning [0.0]
本報告では, カイパーベルトの平均面の大きさを, 従来の測定値の2倍以上の大きさで測定した。
非共鳴のカイパーベルト(セミマジュール軸幅35-150 au)と古典的なカイパーベルト(セミマジュール軸幅42-48 au)の全体平均面はどちらも(約0.7°)近いが、不変平面と区別できるのは99.7%以上である。
論文 参考訳（メタデータ） (2023-04-27T16:29:43Z) - Learning cosmology and clustering with cosmic graphs [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。
まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。
次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
論文 参考訳（メタデータ） (2022-04-28T18:00:02Z) - Autonomous crater detection on asteroids using a fully-convolutional
neural network [1.3750624267664155]
本稿では,完全畳み込みニューラルネットワークU-Netを用いた自律クレーター検出のCeresへの適用について述べる。
U-Netは、LROと手動クレーターカタログによって収集されたデータに基づいて、ムーン・グローバル・モルフォロジー・モザイクの光学画像に基づいて訓練されている。
訓練されたモデルは、Ceresの100、500、1000の画像を使って微調整されている。
論文 参考訳（メタデータ） (2022-04-01T14:34:11Z) - Exploring Sparse Expert Models and Beyond [51.90860155810848]
Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。
本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。
この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
論文 参考訳（メタデータ） (2021-05-31T16:12:44Z) - 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) - Automated crater detection with human level performance [0.0]
本稿では,専門家と競合し,数百倍高速なクレーター検出アルゴリズムを提案する。
このアルゴリズムは複数のニューラルネットワークを使って、デジタル地形モデルと熱赤外画像を処理する。
我々は直径3km以上の既知のクレーターの80%を発見し、7,000の新しいクレーターを同定した。
論文 参考訳（メタデータ） (2020-10-23T16:36:31Z)
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。