Fugu-MT 論文翻訳(概要): Photometric identification of compact galaxies, stars and quasars using multiple neural networks

論文の概要: Photometric identification of compact galaxies, stars and quasars using multiple neural networks

arxiv url: http://arxiv.org/abs/2211.08388v1
Date: Tue, 15 Nov 2022 18:37:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 16:20:09.609552
Title: Photometric identification of compact galaxies, stars and quasars using multiple neural networks
Title（参考訳）: 複数のニューラルネットワークを用いたコンパクト銀河、星、クエーサーの光度同定
Authors: Siddharth Chaini, Atharva Bagul, Anish Deshpande, Rishi Gondkar, Kaushal Sharma, M. Vivek, Ajit Kembhavi
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.9894420655516565
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present MargNet, a deep learning-based classifier for identifying stars, quasars and compact galaxies using photometric parameters and images from the Sloan Digital Sky Survey (SDSS) Data Release 16 (DR16) catalogue. MargNet consists of a combination of Convolutional Neural Network (CNN) and Artificial Neural Network (ANN) architectures. Using a carefully curated dataset consisting of 240,000 compact objects and an additional 150,000 faint objects, the machine learns classification directly from the data, minimising the need for human intervention. MargNet is the first classifier focusing exclusively on compact galaxies and performs better than other methods to classify compact galaxies from stars and quasars, even at fainter magnitudes. This model and feature engineering in such deep learning architectures will provide greater success in identifying objects in the ongoing and upcoming surveys, such as Dark Energy Survey (DES) and images from the Vera C. Rubin Observatory.
Abstract（参考訳）: 本研究では,sloan digital sky survey (sdss) data release 16 (dr16) カタログの測光パラメータと画像を用いて,恒星,クエーサー,コンパクト銀河を識別する深層学習に基づく分類器margnetを提案する。 MargNetは、畳み込みニューラルネットワーク(CNN)とArtificial Neural Network(ANN)アーキテクチャの組み合わせで構成されている。 24万個のコンパクトオブジェクトと15万個のかすかなオブジェクトからなる注意深くキュレートされたデータセットを使用して、マシンはデータから直接分類を学習し、人間の介入の必要性を最小化する。 MargNetは、小さな銀河にのみ焦点をあてた最初の分類器であり、恒星やクエーサーから小さな銀河を微等級でも分類する他の方法よりも優れている。このようなディープラーニングアーキテクチャにおけるこのモデルと特徴工学は、ダークエネルギーサーベイ(DES)やベラ・C・ルービン天文台の画像など、進行中および今後の調査で対象を特定する上で、より大きな成功をもたらすだろう。

関連論文リスト

A Versatile Framework for Analyzing Galaxy Image Data by Implanting Human-in-the-loop on a Large Vision Model [14.609681101463334]
大型ビジョンモデル(LVM)と下流タスク(DST)に基づく銀河画像の一般解析のためのフレームワークを提案する。銀河画像の低信号-雑音比を考えると、我々は大きな視覚モデルにHuman-in-the-loop (HITL)モジュールを組み込んだ。 1000のデータポイントでトレーニングされたオブジェクト検出では、DSTが96.7%、ResNet50とMask R-CNNが93.1%である。
論文参考訳（メタデータ） (2024-05-17T16:29:27Z)
Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
論文参考訳（メタデータ） (2024-01-25T19:05:53Z)
Scientific Preparation for CSST: Classification of Galaxy and Nebula/Star Cluster Based on Deep Learning [8.633077812513074]
我々は、銀河とNSCの画像の分類のためのHR-CelestialNetというディープラーニングモデルを開発した。 HR-CelestialNetはテストセットで89.09%の精度を達成し、AlexNet、VGGNet、ResNetなどのモデルを上回った。提案手法は,CSST探査ミッション中にリアルタイムに天体画像の識別を可能にする。
論文参考訳（メタデータ） (2023-12-08T10:27:40Z)
Galaxy Classification: A machine learning approach for classifying shapes using numerical data [0.0]
我々は,Galaxy Zooプロジェクトの数値データを用いて,銀河分類のための機械学習モデルを提案する。我々のモデルは銀河の分類において高い精度を達成し、銀河の形成と進化の理解を著しく向上させる可能性を持っている。
論文参考訳（メタデータ） (2023-11-30T20:47:16Z)
Detection and Segmentation of Cosmic Objects Based on Adaptive Thresholding and Back Propagation Neural Network [0.0]
本稿では,適応閾値法(ATM)に基づくセグメンテーションと,BPNNに基づく宇宙物体検出を提案する。本稿では、ATMとBPNNを用いて天体の分類と検出を行う方法について述べる。
論文参考訳（メタデータ） (2023-08-02T04:02:46Z)
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)
Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文参考訳（メタデータ） (2022-07-07T17:55:26Z)
RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文参考訳（メタデータ） (2021-10-27T07:18:32Z)
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)
Adaptive Linear Span Network for Object Skeleton Detection [56.78705071830965]
本研究では,適応線形スパンネットワーク(AdaLSN)を提案する。 AdaLSNは、精度とレイテンシのトレードオフを著しく高めることで、その汎用性を裏付ける。また、エッジ検出や道路抽出といったイメージ・ツー・マスクのタスクに適用可能であることも示している。
論文参考訳（メタデータ） (2020-11-08T12:51:14Z)
A catalog of broad morphology of Pan-STARRS galaxies based on deep learning [0.0]
本稿では、銀河の自動的広帯域形態学アノテーションのためのデータ解析プロセスの設計と実装について述べる。このプロセスはフィルタに基づいており、2段階の畳み込みニューラルネットワーク(CNN)分類が続く。結果は、パンスターズ銀河のアノテーションとの比較により、精度を評価する。
論文参考訳（メタデータ） (2020-10-12T23:20:35Z)

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。