論文の概要: Don't Pay Attention to the Noise: Learning Self-supervised
Representations of Light Curves with a Denoising Time Series Transformer
- arxiv url: http://arxiv.org/abs/2207.02777v1
- Date: Wed, 6 Jul 2022 16:10:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 16:13:35.571069
- Title: Don't Pay Attention to the Noise: Learning Self-supervised
Representations of Light Curves with a Denoising Time Series Transformer
- Title(参考訳): ノイズに注意を払わない:デノイジング時系列変圧器を用いた光曲線の自己教師あり表現の学習
- Authors: Mario Morvan, Nikolaos Nikolaou, Kai Hou Yip, Ingo Waldmann
- Abstract要約: 我々は、DTST(Denoising Time Series Transformer)と呼ばれる単純なトランスモデルを提案する。
マスク対象のトレーニングにおいて,時系列データセットのノイズや外れ値の除去に優れることを示す。
我々は、トランジット系外惑星宇宙衛星(TESS)の実際の恒星光曲線に関する実験を行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Astrophysical light curves are particularly challenging data objects due to
the intensity and variety of noise contaminating them. Yet, despite the
astronomical volumes of light curves available, the majority of algorithms used
to process them are still operating on a per-sample basis. To remedy this, we
propose a simple Transformer model -- called Denoising Time Series Transformer
(DTST) -- and show that it excels at removing the noise and outliers in
datasets of time series when trained with a masked objective, even when no
clean targets are available. Moreover, the use of self-attention enables rich
and illustrative queries into the learned representations. We present
experiments on real stellar light curves from the Transiting Exoplanet Space
Satellite (TESS), showing advantages of our approach compared to traditional
denoising techniques.
- Abstract(参考訳): 天体の光度曲線は、それらの強度と様々なノイズによって特に困難なデータオブジェクトである。
しかし、天文学的な量の光曲線が利用できるにもかかわらず、それらを処理するアルゴリズムの大部分は、まだサンプル単位で運用されている。
これを改善するために、Denoising Time Series Transformer (DTST)と呼ばれるシンプルなTransformerモデルを提案し、クリーンなターゲットが存在しない場合でも、マスクされた目標でトレーニングされた時系列のデータセットのノイズと外れ値の除去が優れていることを示す。
さらに、自己注意の使用により、学習した表現へのリッチでイラストラティブなクエリが可能になる。
我々は、トランジット系外惑星宇宙衛星(TESS)の実際の恒星光曲線の実験を行い、従来のデノナイジング技術と比較して、我々のアプローチの利点を示す。
関連論文リスト
- Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the
Noise Model [83.9497193551511]
デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。
LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。
LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
論文 参考訳(メタデータ) (2023-08-07T10:09:11Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳(メタデータ) (2023-05-23T12:56:01Z) - Representing Noisy Image Without Denoising [120.08257941277321]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。
従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文 参考訳(メタデータ) (2023-01-18T10:13:29Z) - Spectroscopic data de-noising via training-set-free deep learning method [0.0]
トレーニングセットを必要とせずに固有スペクトル情報を抽出するデノイズ化手法を開発した。
本手法ではスペクトル自体の自己相関情報を活用することができる。
固有エネルギーバンドの特徴を保存し、さらなる分析と処理を容易にする。
論文 参考訳(メタデータ) (2022-10-19T12:04:35Z) - Training Process of Unsupervised Learning Architecture for Gravity Spy
Dataset [2.8555963243398073]
重力波検出器のデータに現れる過渡ノイズは、しばしば問題を引き起こす。
過渡ノイズは環境や機器と関連していると考えられているため、その分類は、その起源を理解し、検出器の性能を向上させるのに役立つだろう。
前報では、教師なしディープラーニングと変分オートエンコーダと不変情報クラスタリングを組み合わせた、時間周波数2次元画像(分光図)を用いた過渡雑音の分類アーキテクチャを提案する。
先進レーザ干渉計重力波観測装置(Advanced Laser Interferometer Gravitational-Wave Observatory)からなる重力スピーデータセットに,教師なし学習アーキテクチャを適用した。
論文 参考訳(メタデータ) (2022-08-07T02:51:36Z) - Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。
我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
論文 参考訳(メタデータ) (2021-10-16T17:08:30Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳(メタデータ) (2021-08-04T16:36:29Z) - Deep learning-based statistical noise reduction for multidimensional
spectral data [3.0396858935319724]
我々は,ディープラーニングを制約を克服するインテリジェントな方法として活用する認知的手法を実証する。
我々は,2桁の取得時間で取得したデータに対して,デノナイジングニューラルネットワークによって同様の2次微分および線形状解析を行うことができることを示した。
論文 参考訳(メタデータ) (2021-07-02T05:37:16Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳(メタデータ) (2020-08-19T13:06:24Z) - Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。
従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。
本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-07T07:19:48Z)
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。