論文の概要: Discovering Faint and High Apparent Motion Rate Near-Earth Asteroids
Using A Deep Learning Program
- arxiv url: http://arxiv.org/abs/2208.09098v1
- Date: Fri, 19 Aug 2022 00:16:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-22 17:47:36.080854
- Title: Discovering Faint and High Apparent Motion Rate Near-Earth Asteroids
Using A Deep Learning Program
- Title（参考訳）: 深層学習プログラムを用いた地球近傍小惑星の微弱・高視運動速度の発見
- Authors: Franklin Wang, Jian Ge, Kevin Willis
- Abstract要約: 本研究では,地球近傍を高速で移動する物体を検出できる畳み込みニューラルネットワークを開発した。
シミュレーションから生成された人工ストリークで訓練され、98.7%の精度でこれらの小惑星ストリークを見つけることができた。
このアプローチは、高速で動く小惑星のストリークを検出するために、あらゆる観測所で採用することができる。
- 参考スコア（独自算出の注目度）: 0.5729426778193399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although many near-Earth objects have been found by ground-based telescopes,
some fast-moving ones, especially those near detection limits, have been missed
by observatories. We developed a convolutional neural network for detecting
faint fast-moving near-Earth objects. It was trained with artificial streaks
generated from simulations and was able to find these asteroid streaks with an
accuracy of 98.7% and a false positive rate of 0.02% on simulated data. This
program was used to search image data from the Zwicky Transient Facility (ZTF)
in four nights in 2019, and it identified six previously undiscovered
asteroids. The visual magnitudes of our detections range from ~19.0 - 20.3 and
motion rates range from ~6.8 - 24 deg/day, which is very faint compared to
other ZTF detections moving at similar motion rates. Our asteroids are also ~1
- 51 m diameter in size and ~5 - 60 lunar distances away at close approach,
assuming their albedo values follow the albedo distribution function of known
asteroids. The use of a purely simulated dataset to train our model enables the
program to gain sensitivity in detecting faint and fast-moving objects while
still being able to recover nearly all discoveries made by previously designed
neural networks which used real detections to train neural networks. Our
approach can be adopted by any observatory for detecting fast-moving asteroid
streaks.
- Abstract（参考訳）: 地上望遠鏡によって多くの地球近傍天体が発見されているが、特に検出限界に近い天体は観測機関によって見逃されている。
本研究では,地球近傍を高速で移動する物体を検出する畳み込みニューラルネットワークを開発した。
シミュレーションから生成された人工ストレークを用いて訓練され、シミュレーションデータから98.7%の精度と0.02%の偽陽性率でこれらの小惑星ストレークを見つけることができた。
このプログラムは、2019年にzwicky transient facility(ztf)から4日間の画像データを検索するために使われ、6つの未発見の小惑星を特定した。
我々の検出の視等級は ~19.0 - 20.3 で、運動速度は ~6.8 - 24 deg/day で、同様の運動速度で移動する他のZTF検出と比較して非常に低い。
私たちの小惑星は直径1 - 51m、近距離では約5 - 60mで、アルベド値は既知の小惑星のアルベド分布関数に従っていると仮定している。
モデルトレーニングに純粋にシミュレーションされたデータセットを使用することで、プログラムはかすかな物体や高速に動く物体を検知する感度を得られると同時に、ニューラルネットワークを訓練するために実際の検出を用いたニューラルネットワークによって得られたほぼすべての発見を回復することができる。
我々のアプローチは、高速で動く小惑星のストリークを検出するために、いかなる観測所でも適用できる。
関連論文リスト
- Commissioning An All-Sky Infrared Camera Array for Detection Of Airborne Objects [0.11703603440337004]
ガリレオ計画では、空を継続的に監視する多モード地上観測所を設計、建設、委託している。
鍵となる機器の1つは、8つの冷却されていない長波長のFLIRボソン640カメラを使用した全天型赤外線カメラアレイである。
各種気象条件に対する受入率(観測可能な航空機等)と検出効率(検出に成功している航空機等)を報告する。
おもちゃのアウトリーチは2次元再構成トラジェクトリーフラッグの大きな不純物に焦点を絞ったもので、トラジェクトリーの約16%をアウトリーチとして用いた。
論文 参考訳（メタデータ） (2024-11-12T17:31:51Z) - Deep-learning based measurement of planetary radial velocities in the
presence of stellar variability [70.4007464488724]
我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。
マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
論文 参考訳（メタデータ） (2023-04-10T18:33:36Z) - ExoplANNET: A deep learning algorithm to detect and identify planetary
signals in radial velocity data [0.0]
放射速度法で検出された信号の意義の計算に代えて,ニューラルネットワークを提案する。
このアルゴリズムは、惑星の伴星を伴わないシステムの合成データを用いて訓練される。
偽陽性は28パーセント減少し、実行時間は従来の方法よりも5桁高速である。
論文 参考訳（メタデータ） (2023-03-16T14:16:19Z) - Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。
OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。
我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
論文 参考訳（メタデータ） (2022-12-26T12:49:47Z) - Towards Asteroid Detection in Microlensing Surveys with Deep Learning [0.0]
小惑星は、ほとんどの天文学的な調査では確認不可能な部分である。
本稿ではMOAプロジェクトによって収集されたマイクロレンズデータから小惑星の回収と発見のための新しい深層学習ソリューションを提案する。
論文 参考訳（メタデータ） (2022-11-04T03:16:23Z) - ODNet: A Convolutional Neural Network for Asteroid Occultation Detection [0.36700088931938835]
我々は,コンボリューショナルニューラルネットワーク(CNN)とUnistellarネットワークからの観測を用いて,小惑星の眼球運動を確実に検出するアルゴリズムを構築することを提案する。
アルゴリズムは十分に高速で堅牢であるため、リアルタイムな結果を得るためにeVscopesを組み込むことを想定できる。
論文 参考訳（メタデータ） (2022-10-28T23:53:09Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - Towards Robust Monocular Visual Odometry for Flying Robots on Planetary
Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。
高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。
また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-12T12:52:20Z) - Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark [97.07865343576361]
DroneCrowdという新しいドローンキャプチャ型大規模データセットによるベンチマークを構築した。
私たちは4800万人の頭といくつかのビデオレベルの属性を持つ20,800人のトラジェクタに注釈を付けます。
我々は、密集した群衆の物体の検出、追跡、数え上げを行うための強力なベースラインとして、Space-Time Neighbor-Aware Network (STNNet)を設計する。
論文 参考訳（メタデータ） (2021-05-06T04:46:14Z) - A Two-Stage Deep Learning Detection Classifier for the ATLAS Asteroid
Survey [0.0]
太陽系の天体を光学的・電子的アーティファクトから分離する2段階ニューラルネットワークモデルを提案する。
このモデルは、ATLASデータ中の実際の小惑星の99.6%の精度で0.4%の偽陰率を示す。
論文 参考訳（メタデータ） (2021-01-22T01:35:08Z) - 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)
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。