論文の概要: Outlier galaxy images in the Dark Energy Survey and their identification
with unsupervised machine learning
- arxiv url: http://arxiv.org/abs/2305.01720v1
- Date: Tue, 2 May 2023 18:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 16:58:19.056570
- Title: Outlier galaxy images in the Dark Energy Survey and their identification
with unsupervised machine learning
- Title（参考訳）: ダークエネルギーサーベイにおける銀河外画像と教師なし機械学習による同定
- Authors: Lior Shamir
- Abstract要約: 本研究はダークエナジーサーベイの第1号データリリースにおいて, 異常物体の自動検出手法を適用した。
このアルゴリズムの重要な特徴は、偽陽性率を制御できるため、実用的な外れ値検出に使用できることである。
- 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: The Dark Energy Survey is able to collect image data of an extremely large
number of extragalactic objects, and it can be reasonably assumed that many
unusual objects of high scientific interest are hidden inside these data. Due
to the extreme size of DES data, identifying these objects among many millions
of other celestial objects is a challenging task. The problem of outlier
detection is further magnified by the presence of noisy or saturated images.
When the number of tested objects is extremely high, even a small rate of noise
or false positives leads to a very large number of false detections, making an
automatic system impractical. This study applies an automatic method for
automatic detection of outlier objects in the first data release of the Dark
Energy Survey. By using machine learning-based outlier detection, the algorithm
is able to identify objects that are visually different from the majority of
the other objects in the database. An important feature of the algorithm is
that it allows to control the false-positive rate, and therefore can be used
for practical outlier detection. The algorithm does not provide perfect
accuracy in the detection of outlier objects, but it reduces the data
substantially to allow practical outlier detection. For instance, the selection
of the top 250 objects after applying the algorithm to more than $2\cdot10^6$
DES images provides a collection of uncommon galaxies. Such collection would
have been extremely time-consuming to compile by using manual inspection of the
data.
- Abstract（参考訳）: ダークエネルギーサーベイは、非常に多くの銀河外天体の画像データを収集することができ、科学的な関心を持つ多くの珍しい物体がこれらのデータの中に隠れていると仮定できる。
desデータの極端なサイズのため、これらの物体を他の何百万もの天体から識別することは難しい課題である。
外乱検出の問題は、ノイズや飽和画像の存在によってさらに拡大される。
テスト対象の数が極めて多い場合、ノイズや偽陽性の頻度が小さい場合でも、非常に多くの誤検出が発生し、自動システムが非現実的になる。
本研究では,ダークエネルギーサーベイの最初のデータリリースにおいて,異常物体の自動検出手法を適用した。
機械学習に基づく外れ値検出を使用することで、データベース内の他のほとんどのオブジェクトと視覚的に異なるオブジェクトを識別することができる。
このアルゴリズムの重要な特徴は、偽陽性率を制御できるため、実用的な外れ値検出に使用できることである。
このアルゴリズムは、外れ値検出において完全な精度を提供していないが、実際の外れ値検出を可能にするためにデータを大幅に削減する。
例えば、2\cdot10^6$ DES画像にアルゴリズムを適用した後の上位250個の天体の選択は、珍しい銀河の集合を与える。
このようなコレクションは、データを手動で検査することでコンパイルするのに非常に時間がかかりました。
関連論文リスト
- Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。
ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。
BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文 参考訳（メタデータ） (2024-07-10T18:00:54Z) - Object criticality for safer navigation [1.565361244756411]
対象検出器が与えられた場合、その関連性に基づいてオブジェクトをフィルタリングし、関連するオブジェクトの欠落のリスクを低減し、危険な軌道の可能性を低減し、一般的に軌道の質を向上させる。
対象物検知器を与えられた場合、その関連性に基づいてオブジェクトをフィルタリングし、失う対象のリスクを低減し、危険な軌道の可能性を低減し、一般的に軌道の質を向上させる。
論文 参考訳（メタデータ） (2024-04-25T09:02:22Z) - YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images [33.80392696735718]
YOLC(You Only Look Clusters)は、アンカーフリーなオブジェクト検出器であるCenterNet上に構築された、効率的で効果的なフレームワークである。
大規模画像や非一様オブジェクトの分布がもたらす課題を克服するため,正確な検出のためにクラスタ領域のズームインを適応的に検索するローカルスケールモジュール(LSM)を導入する。
Visdrone 2019 と UAVDT を含む2つの航空画像データセットに対する広範な実験を行い、提案手法の有効性と優位性を実証した。
論文 参考訳（メタデータ） (2024-04-09T10:03:44Z) - 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) - Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for
Autonomous Driving [91.39625612027386]
我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。
具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。
この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
論文 参考訳（メタデータ） (2023-02-08T07:11:36Z) - Context-Aware Transfer Attacks for Object Detection [51.65308857232767]
本稿では,オブジェクト検出のためのコンテキスト認識攻撃を新たに生成する手法を提案する。
オブジェクトとその相対的な位置と大きさの共起をコンテキスト情報として利用することにより、ターゲットの誤分類攻撃をうまく生成できることを示す。
論文 参考訳（メタデータ） (2021-12-06T18:26:39Z) - Towards Real-World Prohibited Item Detection: A Large-Scale X-ray
Benchmark [53.9819155669618]
本稿では,PIDrayと命名された大規模データセットについて述べる。
大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。
提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
論文 参考訳（メタデータ） (2021-08-16T11:14:16Z) - 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) - Automatic identification of outliers in Hubble Space Telescope galaxy
images [0.0]
本稿では,異常銀河画像の自動検出のための教師なし機械学習アルゴリズムについて述べる。
このアルゴリズムの銀河群への応用により、様々な外縁銀河の画像が検出された。
カタログには、自動化を使わずに識別するのが非常に難しい147のオブジェクトが含まれている。
論文 参考訳（メタデータ） (2021-01-07T16:52:10Z) - False Detection (Positives and Negatives) in Object Detection [1.0965065178451106]
本研究では,ラベル付きデータによる偽陽性と負の低減方法を検討する。
このプロセスでは、Openimage 2019 Object Detectionデータセットに不十分なラベル付けも発見された。
論文 参考訳（メタデータ） (2020-08-16T20:09:05Z)
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。