論文の概要: ULISSE: A Tool for One-shot Sky Exploration and its Application to
Active Galactic Nuclei Detection
- arxiv url: http://arxiv.org/abs/2208.10984v1
- Date: Tue, 23 Aug 2022 14:05:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:48:52.967666
- Title: ULISSE: A Tool for One-shot Sky Exploration and its Application to
Active Galactic Nuclei Detection
- Title（参考訳）: ulisse:one-shot sky explorationのためのツールと活動銀河核検出への応用
- Authors: Lars Doorenbos, Olena Torbaniuk, Stefano Cavuoti, Maurizio Paolillo,
Giuseppe Longo, Massimo Brescia, Raphael Sznitman, Pablo M\'arquez-Neila
- Abstract要約: ULISSEは、同じ形態的および光度特性を共有する物体を識別する新しいディープラーニングツールである。
実験により、ULISSEは、ホスト銀河の形態、色、および中心核源の存在から、AGN候補を特定できることが示された。
- 参考スコア（独自算出の注目度）: 1.3681174239726606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern sky surveys are producing ever larger amounts of observational data,
which makes the application of classical approaches for the classification and
analysis of objects challenging and time-consuming. However, this issue may be
significantly mitigated by the application of automatic machine and deep
learning methods. We propose ULISSE, a new deep learning tool that, starting
from a single prototype object, is capable of identifying objects sharing the
same morphological and photometric properties, and hence of creating a list of
candidate sosia. In this work, we focus on applying our method to the detection
of AGN candidates in a Sloan Digital Sky Survey galaxy sample, since the
identification and classification of Active Galactic Nuclei (AGN) in the
optical band still remains a challenging task in extragalactic astronomy.
Intended for the initial exploration of large sky surveys, ULISSE directly uses
features extracted from the ImageNet dataset to perform a similarity search.
The method is capable of rapidly identifying a list of candidates, starting
from only a single image of a given prototype, without the need for any
time-consuming neural network training. Our experiments show ULISSE is able to
identify AGN candidates based on a combination of host galaxy morphology, color
and the presence of a central nuclear source, with a retrieval efficiency
ranging from 21% to 65% (including composite sources) depending on the
prototype, where the random guess baseline is 12%. We find ULISSE to be most
effective in retrieving AGN in early-type host galaxies, as opposed to
prototypes with spiral- or late-type properties. Based on the results described
in this work, ULISSE can be a promising tool for selecting different types of
astrophysical objects in current and future wide-field surveys (e.g. Euclid,
LSST etc.) that target millions of sources every single night.
- Abstract（参考訳）: 現代のスカイサーベイは、多くの観測データを生み出しており、古典的アプローチを挑戦的かつ時間のかかる物体の分類と分析に応用している。
しかしながら、この問題は自動機械とディープラーニング手法の適用によって著しく軽減される可能性がある。
urisseは、単一のプロトタイプオブジェクトから、同じ形態的およびフォトメトリック特性を持つオブジェクトを識別できる新しいディープラーニングツールであり、その結果、候補ソシアのリストを作成することができる。
本研究は,光学帯域における活動銀河核 (AGN) の同定と分類が銀河外天文学の課題であり続けているため,Sloan Digital Sky Survey 銀河試料中のAGN候補の検出に本手法を適用することに注力する。
ULISSEは、大規模なスカイサーベイの最初の調査のために、ImageNetデータセットから抽出された特徴を直接使用して類似性探索を行う。
この方法は、時間を要するニューラルネットワークのトレーニングを必要とせずに、与えられたプロトタイプの1つのイメージから始まり、候補のリストを迅速に識別することができる。
実験の結果, ULISSEは, ホスト銀河の形態, 色, 中心核源の存在からAGN候補の同定が可能であり, 推定基準値が12%となるプロトタイプによる検索効率は21%から65%(合成源を含む)であることがわかった。
ULISSEは、渦巻き型や後期型の性質を持つプロトタイプとは対照的に、初期のタイプの宿主銀河においてAGNを回収するのに最も効果的である。
この研究で述べられている結果に基づき、ULISSEは、現在および将来の広域調査(例えば、ユークリッド、LSSTなど)において、毎晩数百万のソースをターゲットにした様々な種類の天体を選択できる有望なツールとなる。
関連論文リスト
- OV-DINO: Unified Open-Vocabulary Detection with Language-Aware Selective Fusion [88.59397418187226]
我々はOV-DINOと呼ばれる新しいオープン語彙検出手法を提案する。
言語対応の選択的融合を統一フレームワークに組み込んだ、さまざまな大規模データセットで事前トレーニングされている。
提案するOV-DINOのオープン語彙検出ベンチマークにおける性能評価を行った。
論文 参考訳（メタデータ） (2024-07-10T17:05:49Z) - Radio astronomical images object detection and segmentation: A benchmark
on deep learning methods [5.058069142315917]
本研究では,電波干渉計による天体画像に適用した,最も肯定的な深層学習手法の性能について検討し,自動音源検出の課題を解決する。
目標は、予測性能と計算効率の観点から既存の技術の概要を、彼らの研究に機械学習を使いたいと考える天体物理学コミュニティの科学者に提供することである。
論文 参考訳（メタデータ） (2023-03-08T10:55:24Z) - When Spectral Modeling Meets Convolutional Networks: A Method for
Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data [0.0]
画像に基づく深層学習により実装された新しい空間幾何学的ベト基準を導入する。
我々は、この手法の最初の応用を、イオン化時代のレンズ付きクエーサーの体系的な探索に適用する。
トレーニングデータセットは、実際の銀河画像の上に偏向した点光源の光を塗って、現実的な銀河クエーサーレンズモデルを生成することで構築される。
論文 参考訳（メタデータ） (2022-11-26T11:27:13Z) - 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) - Self-supervised similarity search for large scientific datasets [0.0]
本稿では,大規模未ラベルデータセットの探索と活用に自己教師付き学習を用いることを提案する。
まず、各画像の対称性、不確実性、ノイズに頑健な低次元表現を除去するために、自己教師付きモデルを訓練する。
次に,この表現を用いて対話型セマンティック類似検索ツールを構築し,公開する。
論文 参考訳（メタデータ） (2021-10-25T18:00:00Z) - Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。
この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。
本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
論文 参考訳（メタデータ） (2021-09-01T07:01:33Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z) - Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。
本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。
提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文 参考訳（メタデータ） (2021-03-25T22:34:16Z) - 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。