論文の概要: Towards Asteroid Detection in Microlensing Surveys with Deep Learning
- arxiv url: http://arxiv.org/abs/2211.02239v1
- Date: Fri, 4 Nov 2022 03:16:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 16:37:28.440000
- Title: Towards Asteroid Detection in Microlensing Surveys with Deep Learning
- Title（参考訳）: 深層学習による微小レンズ調査における小惑星検出に向けて
- Authors: Preeti Cowan, Ian A. Bond, Napoleon H. Reyes
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Asteroids are an indelible part of most astronomical surveys though only a
few surveys are dedicated to their detection. Over the years, high cadence
microlensing surveys have amassed several terabytes of data while scanning
primarily the Galactic Bulge and Magellanic Clouds for microlensing events and
thus provide a treasure trove of opportunities for scientific data mining. In
particular, numerous asteroids have been observed by visual inspection of
selected images. This paper presents novel deep learning-based solutions for
the recovery and discovery of asteroids in the microlensing data gathered by
the MOA project. Asteroid tracklets can be clearly seen by combining all the
observations on a given night and these tracklets inform the structure of the
dataset. Known asteroids were identified within these composite images and used
for creating the labelled datasets required for supervised learning. Several
custom CNN models were developed to identify images with asteroid tracklets.
Model ensembling was then employed to reduce the variance in the predictions as
well as to improve the generalisation error, achieving a recall of 97.67%.
Furthermore, the YOLOv4 object detector was trained to localize asteroid
tracklets, achieving a mean Average Precision (mAP) of 90.97%. These trained
networks will be applied to 16 years of MOA archival data to find both known
and unknown asteroids that have been observed by the survey over the years. The
methodologies developed can be adapted for use by other surveys for asteroid
recovery and discovery.
- Abstract（参考訳）: 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。
長年にわたり、高いケイデンスマイクロレンズ調査は数テラバイトのデータを収集し、主に銀河バルジとマゼラン雲をスキャンしてマイクロレンズ化を行い、科学的なデータマイニングの機会の宝庫となった。
特に、多くの小惑星が選択された画像の視覚検査によって観測されている。
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。
小惑星のトラックレットは、ある夜の全ての観測とこれらのトラックレットを組み合わせることで、データセットの構造を明らかにすることができる。
既知の小惑星はこれらの複合画像内で同定され、教師付き学習に必要なラベル付きデータセットの作成に使用された。
いくつかのカスタムCNNモデルは小惑星の軌跡を識別するために開発された。
モデルアンサンブルは、予測のばらつきを減らし、一般化誤差を改善するために使われ、97.67%のリコールを達成した。
さらに、YOLOv4物体検出器は小惑星の軌道子の位置決めを訓練し、平均精度は90.97%に達した。
これらの訓練されたネットワークは16年間のMOAアーカイブデータに適用され、この調査で観測された既知の小惑星と未知の小惑星の両方を見つける。
開発された手法は他の調査で小惑星の回収と発見に利用できる。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - Hazardous Asteroids Classification [0.30977113730786693]
このプロジェクトの目的は、マシンラーニングとディープラーニングを使用して、有害な小惑星を正確に分類することである。
5つの機械学習アルゴリズムと5つのディープラーニングモデルからなる計10の手法が訓練され、その問題を解決する適切なモデルを見つけるために評価される。
論文 参考訳（メタデータ） (2024-09-03T10:37:24Z) - SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳（メタデータ） (2024-03-11T09:20:40Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - 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) - ULISSE: A Tool for One-shot Sky Exploration and its Application to
Active Galactic Nuclei Detection [1.3681174239726606]
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。
論文 参考訳（メタデータ） (2022-08-23T14:05:30Z) - 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) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳（メタデータ） (2021-10-05T10:45:51Z) - 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。