論文の概要: ODNet: A Convolutional Neural Network for Asteroid Occultation Detection
- arxiv url: http://arxiv.org/abs/2210.16440v1
- Date: Fri, 28 Oct 2022 23:53:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:59:04.364341
- Title: ODNet: A Convolutional Neural Network for Asteroid Occultation Detection
- Title（参考訳）: odnet:小惑星のオカルト検出のための畳み込みニューラルネットワーク
- Authors: Dorian Cazeneuve, Franck Marchis, Guillaume Blaclard, Paul A. Dalba,
Victor Martin, Jo\'e Asencioa
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.36700088931938835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose to design and build an algorithm that will use a Convolutional
Neural Network (CNN) and observations from the Unistellar network to reliably
detect asteroid occultations. The Unistellar Network, made of more than 10,000
digital telescopes owned by citizen scientists, and is regularly used to record
asteroid occultations. In order to process the increasing amount of
observational produced by this network, we need a quick and reliable way to
analyze occultations. In an effort to solve this problem, we trained a CNN with
artificial images of stars with twenty different types of photometric signals.
Inputs to the network consists of two stacks of snippet images of stars, one
around the star that is supposed to be occulted and a reference star used for
comparison. We need the reference star to distinguish between a true
occultation and artefacts introduced by poor atmospheric condition. Our
Occultation Detection Neural Network (ODNet), can analyze three sequence of
stars per second with 91\% of precision and 87\% of recall. The algorithm is
sufficiently fast and robust so we can envision incorporating onboard the
eVscopes to deliver real-time results. We conclude that citizen science
represents an important opportunity for the future studies and discoveries in
the occultations, and that application of artificial intelligence will permit
us to to take better advantage of the ever-growing quantity of data to
categorize asteroids.
- Abstract（参考訳）: 本稿では,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,小惑星の捕獲を確実に検出するアルゴリズムの設計と構築を提案する。
ユニステラーネットワーク(Unistellar Network)は、市民科学者が所有する1万個以上のデジタル望遠鏡で構成され、定期的に小惑星の観測記録に使われている。
このネットワークが生み出す観測量の増大を処理するためには、卵子を素早くかつ信頼性の高い分析方法が必要である。
この問題を解決するために、我々は20種類の測光信号を持つ恒星の人工画像を用いてcnnを訓練した。
ネットワークへの入力は、恒星のスニペット画像の2つのスタックで構成されており、一つは恒星の周囲でオカルトされるはずで、もうひとつは比較に使用される基準星である。
大気条件の悪さによって引き起こされる真のオカルトとアーティファクトを区別するために、参照星が必要である。
当社のoccultation detection neural network(odnet)は、精度91\%、リコール87\%の3つの星列を毎秒分析することができる。
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。
市民科学は、オカルテーションにおける将来の研究や発見にとって重要な機会であり、人工知能の応用によって、小惑星の分類にますます増加するデータを活用することができると結論付けている。
関連論文リスト
- Rewrite the Stars [70.48224347277014]
近年の研究では、ネットワーク設計における「スター操作」の未解決の可能性に注意が向けられている。
本研究は、高次元の非線形特徴空間に入力をマッピングする恒星操作の能力を明らかにすることを試みる。
StarNetはシンプルだがパワフルなプロトタイプで、素晴らしいパフォーマンスと低レイテンシを誇示しています。
論文 参考訳（メタデータ） (2024-03-29T04:10:07Z) - 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) - Photometric identification of compact galaxies, stars and quasars using
multiple neural networks [0.9894420655516565]
MargNetは、恒星、クエーサー、コンパクト銀河を識別するためのディープラーニングベースの分類器である。
データの分類を直接学習し、人間の介入の必要性を最小限に抑える。
MargNetは、コンパクト銀河のみに焦点を当てた最初の分類器である。
論文 参考訳（メタデータ） (2022-11-15T18:37:04Z) - 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) - Discovering Faint and High Apparent Motion Rate Near-Earth Asteroids
Using A Deep Learning Program [0.5729426778193399]
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。
論文 参考訳（メタデータ） (2022-08-19T00:16:09Z) - Optimization of Artificial Neural Networks models applied to the
identification of images of asteroids' resonant arguments [0.6449761153631166]
近年の研究では、畳み込みニューラルネットワーク(CNN)モデルを使用して、そのようなタスクを自動的に実行している。
このようなモデルの結果を、VGG、Inception、ResNetなど、最も先進的で一般公開されているCNNアーキテクチャの結果と比較する。
VGGモデルは、正規化と非正規化により、大規模なデータセットのラベルを予測する最も効率的な方法であることが判明した。
論文 参考訳（メタデータ） (2022-07-28T15:46:39Z) - Identifying outliers in astronomical images with unsupervised machine
learning [4.469071901315176]
予測不能な天文学のアウトリーチは、天文学における真に予期せぬ知識の発見に常に繋がる。
人間の検査で膨大なデータから稀で予期せぬ標的を掘り下げることは、非常に難しい課題である。
我々は、銀河画像のデータから外れ値を特定するために教師なし機械学習アプローチを採用する。
論文 参考訳（メタデータ） (2022-05-19T09:58:48Z) - 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) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳（メタデータ） (2020-06-02T10:20:11Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z) - Detection and Classification of Astronomical Targets with Deep Neural
Networks in Wide Field Small Aperture Telescopes [9.035184185881777]
深層ニューラルネットワークに基づく天文目標検出・分類フレームワークを提案する。
我々のフレームワークは、Faster R-CNNの概念を採用し、改良されたResnet-50をバックボーンネットワークとして使用している。
我々は,Nvidia Jetson Xavierのような組み込みデバイスに我々のフレームワークをインストールし,リアルタイムな天文学的目標検出と分類能力を実現することを提案する。
論文 参考訳（メタデータ） (2020-02-21T10:35:31Z)
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。