論文の概要: Detection of Strongly Lensed Arcs in Galaxy Clusters with Transformers
- arxiv url: http://arxiv.org/abs/2211.05972v1
- Date: Fri, 11 Nov 2022 02:33:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 17:15:49.546773
- Title: Detection of Strongly Lensed Arcs in Galaxy Clusters with Transformers
- Title（参考訳）: 変圧器を用いた銀河団内強レンズアークの検出
- Authors: Peng Jia, Ruiqi Sun, Nan Li, Yu Song, Runyu Ning, Hongyan Wei, Rui Luo
- Abstract要約: 本稿では,変圧器を用いた検出アルゴリズムと画像シミュレーションアルゴリズムを含む,クラスタスケールの強レンズアークを検出するフレームワークを提案する。
その結果,シミュレーション画像からの強レンズアーク検出において,99.63 %の精度,90.32 %のリコール率,85.37 %の精度,0.23 %の偽陽性率が得られた。
- 参考スコア（独自算出の注目度）: 11.051750815556748
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Strong lensing in galaxy clusters probes properties of dense cores of dark
matter halos in mass, studies the distant universe at flux levels and spatial
resolutions otherwise unavailable, and constrains cosmological models
independently. The next-generation large scale sky imaging surveys are expected
to discover thousands of cluster-scale strong lenses, which would lead to
unprecedented opportunities for applying cluster-scale strong lenses to solve
astrophysical and cosmological problems. However, the large dataset challenges
astronomers to identify and extract strong lensing signals, particularly
strongly lensed arcs, because of their complexity and variety. Hence, we
propose a framework to detect cluster-scale strongly lensed arcs, which
contains a transformer-based detection algorithm and an image simulation
algorithm. We embed prior information of strongly lensed arcs at cluster-scale
into the training data through simulation and then train the detection
algorithm with simulated images. We use the trained transformer to detect
strongly lensed arcs from simulated and real data. Results show that our
approach could achieve 99.63 % accuracy rate, 90.32 % recall rate, 85.37 %
precision rate and 0.23 % false positive rate in detection of strongly lensed
arcs from simulated images and could detect almost all strongly lensed arcs in
real observation images. Besides, with an interpretation method, we have shown
that our method could identify important information embedded in simulated
data. Next step, to test the reliability and usability of our approach, we will
apply it to available observations (e.g., DESI Legacy Imaging Surveys) and
simulated data of upcoming large-scale sky surveys, such as the Euclid and the
CSST.
- Abstract（参考訳）: 銀河団の強いレンズは、質量中の暗黒物質ハロゲンの密集した核の性質を調べ、フラックスレベルと空間分解能で遠い宇宙を研究し、宇宙論的モデルを独立に制約する。
次世代のスカイイメージングサーベイでは、何千ものクラスター型強レンズが発見されると予想されており、星物理学や宇宙論の問題を解決するためにクラスター型強レンズを応用する前例のない機会が生まれる可能性がある。
しかし、大きなデータセットは、その複雑さと多様性のために、天文学者が強いレンズ信号、特に強いレンズ付きアークを識別し、抽出することを試みている。
そこで本研究では,トランスフォーマーに基づく検出アルゴリズムと画像シミュレーションアルゴリズムを含む,クラスタスケールの強レンズアークを検出するフレームワークを提案する。
シミュレーションにより,クラスタスケールの強レンズアークの事前情報をトレーニングデータに埋め込んで,シミュレーション画像を用いて検出アルゴリズムを訓練する。
訓練されたトランスフォーマは、シミュレーションおよび実データから強いレンズ付きアークを検出する。
その結果, 実観測画像から強いレンズ状アークを検出すると, 99.63 %の精度, 90.32 %のリコール率, 85.37 %の精度, 0.23 %の偽陽性率が得られることがわかった。
また, 解釈法により, シミュレーションデータに埋め込まれた重要な情報を同定できることを示した。
次のステップでは、我々のアプローチの信頼性とユーザビリティをテストするために、利用可能な観測(例えば、DESIレガシーイメージングサーベイ)に適用し、ユークリッドやCSSTのような今後の大規模スカイサーベイのシミュレーションデータを作成します。
関連論文リスト
- Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。
CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
論文 参考訳（メタデータ） (2024-07-29T18:00:10Z) - CSST Strong Lensing Preparation: a Framework for Detecting Strong Lenses in the Multi-color Imaging Survey by the China Survey Space Telescope (CSST) [25.468504540327498]
強い重力レンズはダークマターとダークエネルギー特性を研究する強力なツールである。
我々は,階層型視覚変換器をベースとしたスライディングウインドウ技術を用いて,画像全体に強いレンズシステムを求めるフレームワークを開発した。
我々のフレームワークは、それぞれ0.98と0.90の精度とリコール率を達成する。
論文 参考訳（メタデータ） (2024-04-02T09:44:30Z) - Image Restoration with Point Spread Function Regularization and Active
Learning [5.575847437953924]
大規模な天文学的な調査では、銀河や星雲を含む多数の天体の画像を捉えることができる。
様々なノイズレベルと点拡散関数は、これらの画像から情報抽出の精度と効率を損なう。
深層学習に基づく復元アルゴリズムと高忠実度望遠鏡シミュレータを接続する新しい画像復元アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-31T23:16:26Z) - Spiral-Elliptical automated galaxy morphology classification from
telescope images [0.40792653193642503]
我々は、望遠鏡の銀河画像から効率的に抽出できる2つの新しい銀河形態統計、降下平均と降下分散を開発した。
我々は,Sloan Digital Sky Surveyの銀河画像データを用いて,提案した画像統計の有効性能を実証した。
論文 参考訳（メタデータ） (2023-10-10T22:36:52Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - 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) - Open-Vocabulary 3D Detection via Image-level Class and Debiased
Cross-modal Contrastive Learning [62.18197846270103]
現在の点雲検出法では,実世界の開語彙を検出するのが困難である。
画像レベルのクラス管理を用いたオープン語彙3DDETectorであるOV-3DETICを提案する。
論文 参考訳（メタデータ） (2022-07-05T12:13:52Z) - Strong Lensing Source Reconstruction Using Continuous Neural Fields [3.604982738232833]
本研究では、連続したニューラルネットワークを用いて、源銀河の複雑な形態を非パラメトリックに再構成する手法を提案する。
本研究では,高解像度レンズ画像を対象としたシミュレーションデータを用いた実験により,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-06-29T18:00:01Z) - DeepGraviLens: a Multi-Modal Architecture for Classifying Gravitational
Lensing Data [3.4138918206057265]
DeepGraviLensは、1つの非レンズ系と3つのレンズ系に属する時間データを分類する新しいネットワークである。
検討されたデータセットに応じて、アート精度の現在の状態を$approx 3%$から$approx 11%$に上回る。
論文 参考訳（メタデータ） (2022-05-02T07:45:51Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z) - 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。