論文の概要: Radio astronomical images object detection and segmentation: A benchmark
on deep learning methods
- arxiv url: http://arxiv.org/abs/2303.04506v1
- Date: Wed, 8 Mar 2023 10:55:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 14:23:39.725493
- Title: Radio astronomical images object detection and segmentation: A benchmark
on deep learning methods
- Title（参考訳）: 電波による物体検出とセグメンテーション--ディープラーニング手法のベンチマーク
- Authors: Renato Sortino, Daniel Magro, Giuseppe Fiameni, Eva Sciacca, Simone
Riggi, Andrea DeMarco, Concetto Spampinato, Andrew M. Hopkins, Filomena
Bufano, Francesco Schillir\`o, Cristobal Bordiu, Carmelo Pino
- Abstract要約: 本研究では,電波干渉計による天体画像に適用した,最も肯定的な深層学習手法の性能について検討し,自動音源検出の課題を解決する。
目標は、予測性能と計算効率の観点から既存の技術の概要を、彼らの研究に機械学習を使いたいと考える天体物理学コミュニティの科学者に提供することである。
- 参考スコア（独自算出の注目度）: 5.058069142315917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep learning has been successfully applied in various
scientific domains. Following these promising results and performances, it has
recently also started being evaluated in the domain of radio astronomy. In
particular, since radio astronomy is entering the Big Data era, with the advent
of the largest telescope in the world - the Square Kilometre Array (SKA), the
task of automatic object detection and instance segmentation is crucial for
source finding and analysis. In this work, we explore the performance of the
most affirmed deep learning approaches, applied to astronomical images obtained
by radio interferometric instrumentation, to solve the task of automatic source
detection. This is carried out by applying models designed to accomplish two
different kinds of tasks: object detection and semantic segmentation. The goal
is to provide an overview of existing techniques, in terms of prediction
performance and computational efficiency, to scientists in the astrophysics
community who would like to employ machine learning in their research.
- Abstract（参考訳）: 近年、深層学習は様々な科学分野に応用されている。
これらの有望な成果と性能に続いて、最近は電波天文学の分野でも評価が始まっている。
特に、電波天文学は、世界最大の望遠鏡であるスクエア・キロメア・アレー(SKA)の出現とともに、ビッグデータ時代に入ってきており、自動物体検出とインスタンス分割のタスクは、情報源の発見と分析に不可欠である。
本研究では,電波干渉計による天体画像に適用した,最も肯定的な深層学習手法の性能について検討し,自動音源検出の課題を解決する。
これは、オブジェクト検出とセマンティックセグメンテーションという2つの異なるタスクを達成するために設計されたモデルを適用することで実現される。
目標は、予測性能と計算効率の観点から既存の技術の概要を、彼らの研究に機械学習を使いたいと考える天体物理学コミュニティの科学者に提供することである。
関連論文リスト
- Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - 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) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳（メタデータ） (2023-05-11T16:19:44Z) - Advances on the classification of radio image cubes [4.443085464476228]
現代の電波望遠鏡は、Square Kilometre Array (SKA)のようなシステムのために、毎日エクサバイト規模のデータセットを生成する。
大量データセットは、発見につながる未知の、希少な天体物理学現象の源泉である。
近年、電波天文学における人工知能の利用に焦点を当てた科学出版物が急増している。
論文 参考訳（メタデータ） (2023-05-05T11:15:37Z) - Applications of AI in Astronomy [0.0]
本稿では、天文学、天体物理学、宇宙論における機械学習(ML)およびその他のAI手法の使用の概要について述べる。
過去10年間で、さまざまなML/AI応用を含む天文学文献が指数関数的に成長してきた。
データの複雑さが増し続ければ、協力的な人間とAIの発見につながるさらなる進歩が期待できる。
論文 参考訳（メタデータ） (2022-12-03T00:38:59Z) - ASOD60K: Audio-Induced Salient Object Detection in Panoramic Videos [79.05486554647918]
本研究では,パノラマビデオから有能な物体を分離する新しいタスクであるPV-SODを提案する。
既存の固定レベルやオブジェクトレベルの塩分濃度検出タスクとは対照的に,多モードの塩分濃度検出(SOD)に焦点を当てる。
AsOD60Kという,6レベル階層の4K解像度ビデオフレームを含む,最初の大規模データセットを収集する。
論文 参考訳（メタデータ） (2021-07-24T15:14:20Z) - A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。
この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。
また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
論文 参考訳（メタデータ） (2021-06-15T14:36:56Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z) - Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。
本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文 参考訳（メタデータ） (2020-04-23T17:32:19Z)
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。