論文の概要: Improved Type III solar radio burst detection using congruent deep learning models

• arxiv url: http://arxiv.org/abs/2305.09327v1
• Date: Tue, 16 May 2023 10:04:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 15:28:44.466499
• Title: Improved Type III solar radio burst detection using congruent deep learning models
• Title（参考訳）: congruent deep learning modelを用いたiii型太陽電波バースト検出の改良
• Authors: Jeremiah Scully, Ronan Flynn, Peter Gallagher, Eoin Carley, Mark Daly
• Abstract要約: 太陽フレアは、しばしば太陽放射バースト(SRB)と結びついている太陽大気中のエネルギー的な現象である SRBは測度からデカメトリック波長で観測され、ダイナミックスペクトルのシグネチャに基づいて5つのスペクトルクラス(タイプI-V)に分類される。 本研究では,III型SRBの自動検出と分類を行うために,協調型ディープラーニングモデルを実装した。
• 参考スコア（独自算出の注目度）: 1.457696018869121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar flares are energetic events in the solar atmosphere that are often linked with solar radio bursts (SRBs). SRBs are observed at metric to decametric wavelengths and are classified into five spectral classes (Type I--V) based on their signature in dynamic spectra. The automatic detection and classification of SRBs is a challenge due to their heterogeneous form. Near-realtime detection and classification of SRBs has become a necessity in recent years due to large data rates generated by advanced radio telescopes such as the LOw Frequency ARray (LOFAR). In this study, we implement congruent deep learning models to automatically detect and classify Type III SRBs. We generated simulated Type III SRBs, which were comparable to Type IIIs seen in real observations, using a deep learning method known as Generative Adversarial Network (GAN). This simulated data was combined with observations from LOFAR to produce a training set that was used to train an object detection model known as YOLOv2 (You Only Look Once). Using this congruent deep learning model system, we can accurately detect Type III SRBs at a mean Average Precision (mAP) value of 77.71%.
• Abstract（参考訳）: 太陽フレア (solar flare) は、しばしば太陽電波バースト (solar radio bursts, srbs) と結びつく太陽大気中のエネルギーイベントである。 SRBは測度からデカメトリック波長で観測され、ダイナミックスペクトルのシグネチャに基づいて5つのスペクトルクラス(タイプI-V)に分類される。 SRBの自動検出と分類は、その不均一性のため課題である。 近年では、LOFAR(Low Frequency ARray)のような先進電波望遠鏡によって生成される大きなデータ率により、SRBの準リアルタイム検出と分類が求められている。 本研究では,iii型srbの自動検出と分類を行うため,合同型深層学習モデルを実装した。 本研究は,gan(generative adversarial network)として知られる深層学習法を用いて,実観測で見られるiii型と同等のシミュレーションiii型srbを作成した。 このシミュレーションデータは、LOFARからの観測と組み合わせて、YOLOv2(You Only Look Once)として知られるオブジェクト検出モデルのトレーニングに使用されたトレーニングセットを生成する。 この合同深層学習モデルシステムを用いて,平均平均精度77.71%でIII型SRBを正確に検出できる。

関連論文リスト

• Detecting and Classifying Flares in High-Resolution Solar Spectra with Supervised Machine Learning [0.0]
  本稿では,太陽フレアを教師あり機械学習の助けを借りて分類する標準化手法を提案する。 RHESSIミッションのフレアデータと、HARPS-N機器の太陽光スペクトルを用いて、いくつかの教師付き機械学習モデルを訓練した。 最も訓練されたモデルでは、平均集計精度スコアが0.65であり、非フレアクラスと弱フレアクラスではカテゴリ精度スコアが0.70以上である。
  論文  参考訳（メタデータ） (2024-06-21T18:52:03Z)
• InstaGen: Enhancing Object Detection by Training on Synthetic Dataset [59.445498550159755]
  本稿では,オブジェクト検出機能の向上,例えばカテゴリ拡大や検出性能の向上など,新たなパラダイムを提案する。 我々は、インスタンスレベルのグラウンドヘッドを事前訓練された生成拡散モデルに統合し、生成された画像のインスタンスをローカライズする機能で拡張する。 我々は、InstaGenと呼ばれる拡散モデルの強化版がデータシンセサイザーとして機能することを示すために、徹底的な実験を行う。
  論文  参考訳（メタデータ） (2024-02-08T18:59:53Z)
• F3-Pruning: A Training-Free and Generalized Pruning Strategy towards Faster and Finer Text-to-Video Synthesis [94.10861578387443]
  変圧器と拡散モデルを用いた2つの主流T2Vモデルの推論過程について検討する。 本稿では、時間的余分な注意重みを突破するF3プルーニングと呼ばれるトレーニングフリーで一般化されたプルーニング戦略を提案する。 古典的なトランスフォーマーベースモデルCogVideoと典型的な拡散ベースモデルTune-A-Videoを用いた3つのデータセットの大規模な実験により、F3-Pruningの有効性が検証された。
  論文  参考訳（メタデータ） (2023-12-06T12:34:47Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Type III solar radio burst detection and classification: A deep learning approach [1.2967019807707307]
  太陽電波バースト分類のためのYou Only Look Once v2 (YOLOv2) という方法論を導入する。 Type IIIシミュレーション手法を用いることで、実タイプIII太陽放射バーストをリアルタイムで分類するアルゴリズムを訓練することができる。
  論文  参考訳（メタデータ） (2021-05-27T18:30:39Z)
• Automatic Detection of Occulted Hard X-ray Flares Using Deep-Learning Methods [0.0]
  我々は、RHESSI(Reuven Ramaty High Energy Solar Spectroscopic Imager)で観測された太陽フレアからの硬X線放射の機械学習分類に関する概念を提案する。 このモデルは、画像再構成や専門家による視覚検査を必要とせずに、オカルトフレアを検出することができる。 本モデルでは, 分類精度が90%以上向上し, 検体検診や検体検体検体検体検診, 検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検診および検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体検体
  論文  参考訳（メタデータ） (2021-01-27T17:11:35Z)
• Frequency-based Automated Modulation Classification in the Presence of Adversaries [17.930854969511046]
  本稿では、転送可能な対角干渉に耐えられるディープラーニングモデルからなる新しい受信アーキテクチャを提案する。 本研究では、リカレントニューラルネットワーク(RNN)では30%以上、畳み込みニューラルネットワーク(CNN)では50%以上の性能向上を示す。
  論文  参考訳（メタデータ） (2020-11-02T17:12:22Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• Machine Learning Techniques to Detect and Characterise Whistler Radio Waves [0.0]
  VLFアンテナ受信機は、稲妻ストロークによって発生するウィスラー波を検出するために使用できる。 ホイッスルの識別と特徴化は、プラズマ圏をリアルタイムで監視する上で重要なタスクである。 本研究の目的は、VLF受信機が提供するデータ中のwhirsを自動的に検出できる機械学習ベースのモデルを開発することである。
  論文  参考訳（メタデータ） (2020-02-04T12:05:44Z)

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。