論文の概要: 3D Detection and Characterisation of ALMA Sources through Deep Learning
- arxiv url: http://arxiv.org/abs/2211.11462v1
- Date: Mon, 21 Nov 2022 13:50:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 19:32:42.977760
- Title: 3D Detection and Characterisation of ALMA Sources through Deep Learning
- Title（参考訳）: 深層学習によるALMA音源の3次元検出とキャラクタリゼーション
- Authors: Michele Delli Veneri, Lukasz Tychoniec, Fabrizia Guglielmetti,
Giuseppe Longo, Eric Villard
- Abstract要約: 本稿では,Atacama Large Millimeter/submillimeter Array (ALMA) データキューブ内の天文学的情報源の検出と評価を目的として,Deep-Learning (DL)パイプラインを提案する。
パイプラインは、統合データキューブの空間領域内でのソース検出のための畳み込みオートエンコーダ、周波数領域内での遅延検出とピーク検出のためのリカレントニューラルネットワーク(RNN)、ソースキャラクタリゼーションのためのResidual Neural Networks(ResNets)の6つのDLモデルで構成されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a Deep-Learning (DL) pipeline developed for the detection and
characterization of astronomical sources within simulated Atacama Large
Millimeter/submillimeter Array (ALMA) data cubes. The pipeline is composed of
six DL models: a Convolutional Autoencoder for source detection within the
spatial domain of the integrated data cubes, a Recurrent Neural Network (RNN)
for denoising and peak detection within the frequency domain, and four Residual
Neural Networks (ResNets) for source characterization. The combination of
spatial and frequency information improves completeness while decreasing
spurious signal detection. To train and test the pipeline, we developed a
simulation algorithm able to generate realistic ALMA observations, i.e. both
sky model and dirty cubes. The algorithm simulates always a central source
surrounded by fainter ones scattered within the cube. Some sources were
spatially superimposed in order to test the pipeline deblending capabilities.
The detection performances of the pipeline were compared to those of other
methods and significant improvements in performances were achieved. Source
morphologies are detected with subpixel accuracies obtaining mean residual
errors of $10^{-3}$ pixel ($0.1$ mas) and $10^{-1}$ mJy/beam on positions and
flux estimations, respectively. Projection angles and flux densities are also
recovered within $10\%$ of the true values for $80\%$ and $73\%$ of all sources
in the test set, respectively. While our pipeline is fine-tuned for ALMA data,
the technique is applicable to other interferometric observatories, as SKA,
LOFAR, VLBI, and VLTI.
- Abstract（参考訳）: 本稿では,Atacama Large Millimeter/submillimeter Array (ALMA) データキューブ内の天文学的情報源の検出と評価を目的として,Deep-Learning (DL)パイプラインを提案する。
パイプラインは、統合データキューブの空間領域内でのソース検出のための畳み込みオートエンコーダ、周波数領域内での遅延検出とピーク検出のためのリカレントニューラルネットワーク(RNN)、ソースキャラクタリゼーションのためのResidual Neural Networks(ResNets)の6つのDLモデルで構成されている。
空間情報と周波数情報の組み合わせは、スプリアス信号検出を減少させながら完全性を向上させる。
パイプラインの訓練と試験のために,空モデルと汚れた立方体の両方でリアルなALMA観測を生成できるシミュレーションアルゴリズムを開発した。
このアルゴリズムは立方体の内部に散らばっているかすかなものに囲まれた中央のソースを常にシミュレートする。
いくつかのソースはパイプラインの曲げ性能をテストするために空間的に重畳された。
パイプラインの検出性能は他の手法と比較され,性能が大幅に向上した。
ソース形態は、位置とフラックス推定でそれぞれ10^{-3}$ pixel (0.1$ mas) と10^{-1}$ mjy/beamの平均残差誤差を得るサブピクセルアキュラリティーによって検出される。
射影角とフラックス密度は、それぞれテストセットの全ソースの80 %$と7,3 %$の真の値の10 %$以内に回収される。
我々のパイプラインはALMAデータに対して微調整されているが、この技術はSKA、LOFAR、VLBI、VLTIなどの他の干渉観測所に適用できる。
関連論文リスト
- Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - A comparative study of source-finding techniques in HI emission line
cubes using SoFiA, MTObjects, and supervised deep learning [0.0]
21cmの中性子中性水素(HI)のスペクトル線放射は、電波天文学で観測される主要な波長の1つである。
本研究の目的は,3次元中性水素立方体における最も優れたマスク品質と最も少ない人工物を用いて,最も多く源を探索し,マスキングするための最適パイプラインを見つけることである。
従来の2つのソースフィニング手法であるSoFiAとMTObjectsがテストされ、新しい教師付きディープラーニングアプローチとして、V-Netとして知られる3D畳み込みニューラルネットワークアーキテクチャが使用された。
パイプラインは、ウェスターボルク合成電波望遠鏡のHIデータキューブに追加の模擬銀河を挿入して試験された。
論文 参考訳（メタデータ） (2022-11-23T09:45:07Z) - CAINNFlow: Convolutional block Attention modules and Invertible Neural
Networks Flow for anomaly detection and localization tasks [28.835943674247346]
本研究では, CBAMを組み込んだ複雑な関数モデルの設計を行い, 空間構造情報の保持と抽出を効果的に行うことができる。
CAINNFlowは,CNNとTransformerのバックボーンネットワークを特徴抽出器として,高度な精度と推論効率を実現する。
論文 参考訳（メタデータ） (2022-06-04T13:45:08Z) - DECORAS: detection and characterization of radio-astronomical sources
using deep learning [0.0]
我々は,VLBI(Very Long Baseline Interferometry)観測から遠点と遠点の両方を検出する深層学習に基づくDECRASを提案する。
当社のアプローチは,低数の畳み込みレイヤを使用してソース検出にスケーラブルなソリューションを提供する,エンコーダ・デコーダニューラルネットワークアーキテクチャに基づいている。
DECORASは検出されたソースの位置を0.61$pm$ 0.69 masに復元でき、有効半径とピーク表面の明るさはそれぞれ98および94パーセントで20%以内に回収される。
論文 参考訳（メタデータ） (2021-09-19T08:03:36Z) - Shape Prior Non-Uniform Sampling Guided Real-time Stereo 3D Object
Detection [59.765645791588454]
最近導入されたRTS3Dは、深度監督のないオブジェクトの中間表現のための効率的な4次元特徴整合埋め込み空間を構築している。
本研究では, 内部領域で高密度サンプリングを行い, 内部領域でスパースサンプリングを行う非一様サンプリング方式を提案する。
提案手法は,ネットワークパラメータをほとんど含まないAP3dに対して2.57%の改善を実現している。
論文 参考訳（メタデータ） (2021-06-18T09:14:55Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - Prediction of Object Geometry from Acoustic Scattering Using
Convolutional Neural Networks [8.067201256886733]
本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。
データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
論文 参考訳（メタデータ） (2020-10-21T00:51:14Z) - Dynamic Edge Weights in Graph Neural Networks for 3D Object Detection [0.0]
本稿では,LiDARスキャンにおける物体検出のためのグラフニューラルネットワーク(GNN)における注目に基づく特徴集約手法を提案する。
GNNの各層では、ノードごとの入力特徴を対応する上位特徴にマッピングする線形変換とは別に、ノードごとの注意を隠蔽する。
KITTIデータセットを用いた実験により,本手法は3次元物体検出に匹敵する結果が得られることが示された。
論文 参考訳（メタデータ） (2020-09-17T12:56:17Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
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。