論文の概要: Identifying Exoplanets with Deep Learning. V. Improved Light Curve Classification for TESS Full Frame Image Observations

• arxiv url: http://arxiv.org/abs/2301.01371v1
• Date: Tue, 3 Jan 2023 21:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 16:16:29.501925
• Title: Identifying Exoplanets with Deep Learning. V. Improved Light Curve Classification for TESS Full Frame Image Observations
• Title（参考訳）: 深層学習による外惑星の同定 V. TESSフルフレーム画像観測のための光曲線分類の改良
• Authors: Evan Tey, Dan Moldovan, Michelle Kunimoto, Chelsea X. Huang, Avi Shporer, Tansu Daylan, Daniel Muthukrishna, Andrew Vanderburg, Anne Dattilo, George R. Ricker, S. Seager
• Abstract要約: 本稿では,第1次ミッションと第1次拡張ミッションの全フレーム画像からの光曲線と,Box Least Squaresで検出された周期信号を含むデータセットを提案する。 データセットは、完全な手作業によるレビュープロセスを使用して、Astronet-Triage-v2と呼ばれるニューラルネットワークのトレーニングに使用された。 Astronet-Triage-v2は4140TOIのうち3577をリカバリでき、Astronet-Triageは3349ターゲットを同じ精度でリカバリできる。
• 参考スコア（独自算出の注目度）: 1.4060799411474627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The TESS mission produces a large amount of time series data, only a small fraction of which contain detectable exoplanetary transit signals. Deep learning techniques such as neural networks have proved effective at differentiating promising astrophysical eclipsing candidates from other phenomena such as stellar variability and systematic instrumental effects in an efficient, unbiased and sustainable manner. This paper presents a high quality dataset containing light curves from the Primary Mission and 1st Extended Mission full frame images and periodic signals detected via Box Least Squares (Kov\'acs et al. 2002; Hartman 2012). The dataset was curated using a thorough manual review process then used to train a neural network called Astronet-Triage-v2. On our test set, for transiting/eclipsing events we achieve a 99.6% recall (true positives over all data with positive labels) at a precision of 75.7% (true positives over all predicted positives). Since 90% of our training data is from the Primary Mission, we also test our ability to generalize on held-out 1st Extended Mission data. Here, we find an area under the precision-recall curve of 0.965, a 4% improvement over Astronet-Triage (Yu et al. 2019). On the TESS Object of Interest (TOI) Catalog through April 2022, a shortlist of planets and planet candidates, Astronet-Triage-v2 is able to recover 3577 out of 4140 TOIs, while Astronet-Triage only recovers 3349 targets at an equal level of precision. In other words, upgrading to Astronet-Triage-v2 helps save at least 200 planet candidates from being lost. The new model is currently used for planet candidate triage in the Quick-Look Pipeline (Huang et al. 2020a,b; Kunimoto et al. 2021).
• Abstract（参考訳）: TESSミッションは大量の時系列データを生成し、そのごく一部に検出可能な太陽系外惑星のトランジット信号が含まれている。 ニューラルネットワークのような深層学習技術は、恒星変動や系統的なインストゥルメンタルな効果といった他の現象から、有望な天体物理学的偏差候補を効率的で偏りなく持続可能な方法で区別するのに有効であることが証明されている。 本稿では,第1次ミッションからの光線曲線と第1次拡張ミッションフルフレーム画像と,ボックス最小2乗で検出された周期信号を含む高品質データセットを提案する(kov\'acs et al. 2002; hartman 2012)。 データセットは、完全な手作業によるレビュープロセスを使用して、Astronet-Triage-v2と呼ばれるニューラルネットワークのトレーニングに使用された。 テストセットでは、トランジット/elipsingイベントに対して、99.6%のリコール(正のラベルを持つ全データに対して真のポジティブ)を75.7%の精度で達成しました。 私たちのトレーニングデータの90%は、プライマリミッションからのものですから、第1次拡張ミッションデータを一般化する能力もテストします。 ここでは, Astronet-Triage (Yu et al. 2019) よりも4%向上した0.965の精度・リコール曲線の領域を見出した。 2022年4月までのTESS Object of Interest(TOI)カタログでは、惑星と惑星候補のショートリストであるAstronet-Triage-v2が4140TOIのうち3577を回収し、Astronet-Triageは3349の目標を同じ精度で回収する。 言い換えれば、Astronet-Triage-v2へのアップグレードは、少なくとも200の惑星候補が失われるのを防ぐのに役立つ。 この新しいモデルは、現在クイックルックパイプライン(huang et al. 2020a,b; kunimoto et al. 2021)の惑星候補トリアージに使用されている。

関連論文リスト

• NotPlaNET: Removing False Positives from Planet Hunters TESS with Machine Learning [1.2289361708127877]
  我々は1次元畳み込みニューラルネットワーク(CNN)を構築し、楕円型バイナリやその他の偽陽性を潜在的な惑星候補から分離する。 我々のモデルは18分野のうち16分野の惑星の100%を保持し、一方は1つの惑星候補(0.3%)、残りのセクターは2つの惑星候補(0.6%)を誤ってフラグ付けする。
  論文  参考訳（メタデータ） (2024-05-28T15:29:40Z)
• Short-Period Variables in TESS Full-Frame Image Light Curves Identified via Convolutional Neural Networks [0.37187295985559027]
  短周期変数の同定を訓練する畳み込みニューラルネットワークを提案する。 ネットワークは,1つのGPU上で5msのTESS30分のケイデンス光曲線で推論を行う。 ネットワークによって識別された14156個の短周期変数のコレクションを提示する。
  論文  参考訳（メタデータ） (2024-02-19T18:56:35Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Identifying Potential Exomoon Signals with Convolutional Neural Networks [0.0]
  コンボリューションニューラルネットワーク(CNN)のアンサンブルをトレーニングし、ケプラーが観測した単一トランジットイベントにおける候補エクソモオン信号を特定する。 これらのトランジットのごく一部には月のような信号が含まれているが、この結果からエキソモンの発生率の強い推測には注意が必要である。
  論文  参考訳（メタデータ） (2021-09-22T03:37:09Z)
• Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
  火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。 高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。 また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-12T12:52:20Z)
• Identifying Planetary Transit Candidates in TESS Full-Frame Image Light Curves via Convolutional Neural Networks [1.2583362454189522]
  Transiting Exoplanet Survey Satelliteは、2年間の一次ミッションを通して、空の75%の恒星からの光を測定しました。 何百万ものTESS 30分のケイデンス光曲線は、通過する太陽系外惑星の探索で分析する。 本稿では,惑星通過信号の同定と偽陽性の除去を訓練する畳み込みニューラルネットワークを提案する。 我々は、我々のネットワークによって特定された181個の新しい惑星候補を提示する。
  論文  参考訳（メタデータ） (2021-01-26T16:40:51Z)
• Exoplanet Detection using Machine Learning [0.0]
  トランジット法を用いて外惑星を検出する機械学習に基づく新しい手法を提案する。 ケプラーのデータでは、AUCが0.948である惑星を予測できるため、真の惑星信号の94.8%が非惑星信号よりも高い位置にある。 トランジット系外惑星探査衛星(TESS)のデータでは、我々の方法では光曲線を0.98の精度で分類することができ、0.82のリコールで惑星を0.63の精度で識別できることがわかった。
  論文  参考訳（メタデータ） (2020-11-28T14:06:39Z)
• 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
  我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。 具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。 提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
  論文  参考訳（メタデータ） (2020-08-10T09:50:28Z)
• Analyzing the Dependency of ConvNets on Spatial Information [81.93266969255711]
  本稿では,空間シャッフルとGAP+FCを用いて,学習段階とテスト段階の両方で空間情報を破壊する手法を提案する。 空間情報は、後続の層から小さな性能低下で削除できることを観察する。
  論文  参考訳（メタデータ） (2020-02-05T15:22:32Z)

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。