論文の概要: Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine
Learning Algorithms
- arxiv url: http://arxiv.org/abs/2212.05497v1
- Date: Sun, 11 Dec 2022 13:10:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 18:35:25.664393
- Title: Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine
Learning Algorithms
- Title（参考訳）: 機械学習アルゴリズムを用いたロブスターx線望遠鏡のターゲット検出フレームワーク
- Authors: Peng Jia, Wenbo Liu, Yuan Liu, Haiwu Pan
- Abstract要約: ロブスター望遠鏡は、X線帯域の広い視野で天体を観測できるため、X線トランジェントを検出するのに理想的なモニターである。
ロブスター望遠鏡で得られた画像は、独自の点拡散関数によって修正されるため、高効率な目標検出アルゴリズムを設計することは困難である。
本稿では,ロブスター望遠鏡で得られたデータに対するターゲット検出フレームワークを構築するために,複数の機械学習アルゴリズムを統合する。
- 参考スコア（独自算出の注目度）: 6.4609323472170725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lobster eye telescopes are ideal monitors to detect X-ray transients, because
they could observe celestial objects over a wide field of view in X-ray band.
However, images obtained by lobster eye telescopes are modified by their unique
point spread functions, making it hard to design a high efficiency target
detection algorithm. In this paper, we integrate several machine learning
algorithms to build a target detection framework for data obtained by lobster
eye telescopes. Our framework would firstly generate two 2D images with
different pixel scales according to positions of photons on the detector. Then
an algorithm based on morphological operations and two neural networks would be
used to detect candidates of celestial objects with different flux from these
2D images. At last, a random forest algorithm will be used to pick up final
detection results from candidates obtained by previous steps. Tested with
simulated data of the Wide-field X-ray Telescope onboard the Einstein Probe,
our detection framework could achieve over 94% purity and over 90% completeness
for targets with flux more than 3 mCrab (9.6 * 10-11 erg/cm2/s) and more than
94% purity and moderate completeness for targets with lower flux at acceptable
time cost. The framework proposed in this paper could be used as references for
data processing methods developed for other lobster eye X-ray telescopes.
- Abstract（参考訳）: ロブスター望遠鏡は、X線帯域の広い視野で天体を観測できるため、X線トランジェントを検出するのに理想的なモニターである。
しかし、ロブスター望遠鏡で得られた画像は独自の点拡散関数によって修正され、高効率な目標検出アルゴリズムの設計が困難になる。
本稿では,複数の機械学習アルゴリズムを統合し,ロブスター眼球望遠鏡が取得したデータのターゲット検出フレームワークを構築する。
我々のフレームワークはまず、検出器上の光子の位置に応じて異なる画素スケールの2つの2d画像を生成する。
次に、形態素演算と2つのニューラルネットワークに基づくアルゴリズムを使用して、これらの2d画像から異なるフラックスを持つ天体の候補を検出する。
最後に、ランダムフォレストアルゴリズムを使用して、前回のステップで得られた候補から最終検出結果を取得する。
アインシュタイン探査機に搭載された広視野x線望遠鏡のシミュレーションデータを用いて, 3 mcrab (9.6 * 10-11 erg/cm2/s) 以上のフラックスを持つターゲットに対して94%以上の純度と90%以上の完全度を達成し, 許容可能な時間コストで低フラックスのターゲットに対して94%以上の純度と中程度の完全度を達成することができた。
本論文では、他のロブスター眼X線望遠鏡で開発されたデータ処理手法の基準として用いることができる。
関連論文リスト
- Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。
本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。
3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
論文 参考訳（メタデータ） (2024-04-10T03:54:53Z) - Multi-Resolution Fusion for Fully Automatic Cephalometric Landmark
Detection [1.9580473532948401]
側頭蓋X線像のセファロメトリーによるランドマーク検出は,特定の歯科疾患の診断において重要な役割を担っている。
広汎なデータ観測と定量的解析により,異なる受容領域の視覚的特徴が様々なランドマークの検出精度に異なる影響があることが判明した。
本手法は, 側方X線画像2023におけるケパロメトリランドマーク検出において実装され, 最終試験段階における平均放射誤差 1.62mm, 後続検出率 2.0mm, 74.18%の平均放射誤差 (MRE) を達成した。
論文 参考訳（メタデータ） (2023-10-04T14:42:45Z) - DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease
Attention for Multi-Label Lesion Detection in Chest X-rays [1.3367903535457364]
胸部X線写真におけるDualAttNet(DualAttNet)というマルチラベル病変検出のための二重注意制御モジュールを提案する。
画像レベルの注意ブロックと微細な疾患注意アルゴリズムに基づいて、グローバルおよびローカルな病変分類情報を効率的に融合する。
論文 参考訳（メタデータ） (2023-06-23T23:19:27Z) - When Spectral Modeling Meets Convolutional Networks: A Method for
Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data [0.0]
画像に基づく深層学習により実装された新しい空間幾何学的ベト基準を導入する。
我々は、この手法の最初の応用を、イオン化時代のレンズ付きクエーサーの体系的な探索に適用する。
トレーニングデータセットは、実際の銀河画像の上に偏向した点光源の光を塗って、現実的な銀河クエーサーレンズモデルを生成することで構築される。
論文 参考訳（メタデータ） (2022-11-26T11:27:13Z) - Near-infrared and visible-light periocular recognition with Gabor
features using frequency-adaptive automatic eye detection [69.35569554213679]
近視認識は、制御の少ないシナリオにおいて、顔や虹彩の堅牢性の増大が要求されるため、近年注目を集めている。
本稿では,複雑な対称性フィルタに基づく眼球検出システムを提案する。
このシステムはレチノトピックサンプリンググリッドとガボルスペクトル分解に基づく近視アルゴリズムの入力として用いられる。
論文 参考訳（メタデータ） (2022-11-10T13:04:03Z) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z) - On the impact of using X-ray energy response imagery for object
detection via Convolutional Neural Networks [17.639472693362926]
我々は,X線エネルギー応答(高,低)と有効Zの影響について,測地値と比較して検討した。
我々は、CNNアーキテクチャを評価し、そのような「Raw」変種画像で訓練されたモデルの転送可能性について検討する。
論文 参考訳（メタデータ） (2021-08-27T21:28:28Z) - You Better Look Twice: a new perspective for designing accurate
detectors with reduced computations [56.34005280792013]
BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。
非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。
結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
論文 参考訳（メタデータ） (2021-07-21T12:39:51Z) - Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。
我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。
その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文 参考訳（メタデータ） (2020-08-19T13:13:01Z) - Cross-Modality 3D Object Detection [63.29935886648709]
本稿では,3次元物体検出のための新しい2段階多モード融合ネットワークを提案する。
アーキテクチャ全体が2段階の融合を促進する。
KITTIデータセットを用いた実験により,提案したマルチステージ融合により,ネットワークがより良い表現を学習できることが示唆された。
論文 参考訳（メタデータ） (2020-08-16T11:01:20Z) - 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。