論文の概要: Combining multi-spectral data with statistical and deep-learning models
for improved exoplanet detection in direct imaging at high contrast
- arxiv url: http://arxiv.org/abs/2306.12266v1
- Date: Wed, 21 Jun 2023 13:42:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 13:20:25.971267
- Title: Combining multi-spectral data with statistical and deep-learning models
for improved exoplanet detection in direct imaging at high contrast
- Title(参考訳): 高コントラスト直接撮像における外惑星検出改善のためのマルチスペクトルデータと統計的および深層学習モデルを組み合わせる
- Authors: Olivier Flasseur, Th\'eo Bodrito, Julien Mairal, Jean Ponce, Maud
Langlois, Anne-Marie Lagrange
- Abstract要約: 太陽系外惑星の信号は、いくつかの観測と専用の検出アルゴリズムを組み合わせることでのみ識別できる。
我々は,観測結果から直接,ニュアンスの空間的,時間的,スペクトル的特性のモデルを学ぶ。
その後、畳み込みニューラルネットワーク(CNN)が教師ありの方法で訓練され、合成源の残像を検出する。
- 参考スコア(独自算出の注目度): 39.90150176899222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exoplanet detection by direct imaging is a difficult task: the faint signals
from the objects of interest are buried under a spatially structured nuisance
component induced by the host star. The exoplanet signals can only be
identified when combining several observations with dedicated detection
algorithms. In contrast to most of existing methods, we propose to learn a
model of the spatial, temporal and spectral characteristics of the nuisance,
directly from the observations. In a pre-processing step, a statistical model
of their correlations is built locally, and the data are centered and whitened
to improve both their stationarity and signal-to-noise ratio (SNR). A
convolutional neural network (CNN) is then trained in a supervised fashion to
detect the residual signature of synthetic sources in the pre-processed images.
Our method leads to a better trade-off between precision and recall than
standard approaches in the field. It also outperforms a state-of-the-art
algorithm based solely on a statistical framework. Besides, the exploitation of
the spectral diversity improves the performance compared to a similar model
built solely from spatio-temporal data.
- Abstract(参考訳): 直接撮像による外惑星検出は難しい作業であり、興味の対象からのかすかな信号は、主星によって誘導される空間的に構造化されたニュアンス成分の下に埋められる。
太陽系外惑星の信号は、いくつかの観測と専用の検出アルゴリズムを組み合わせることでのみ識別できる。
既存の手法のほとんどとは対照的に,観測結果から直接,ニュアンスの空間的,時間的,スペクトル的特性のモデルを学ぶことを提案する。
前処理の段階では、その相関関係の統計モデルを構築し、そのデータを中心に白くし、その定常性と信号対雑音比(SNR)を改善する。
次に、畳み込みニューラルネットワーク(cnn)を教師付きで訓練し、前処理された画像中の合成源の残留シグネチャを検出する。
我々の手法は、現場の標準的なアプローチよりも精度とリコールのトレードオフが優れている。
また、統計フレームワークのみに基づく最先端のアルゴリズムよりも優れている。
さらに、スペクトル多様性の活用は、時空間データのみから構築された類似モデルと比較して性能を向上させる。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳(メタデータ) (2023-09-28T19:39:13Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳(メタデータ) (2023-07-15T04:48:35Z) - Half-sibling regression meets exoplanet imaging: PSF modeling and
subtraction using a flexible, domain knowledge-driven, causal framework [7.025418443146435]
既存の後処理アルゴリズムは、問題に関して利用可能なすべての事前のドメイン知識を使用しない。
本稿では,データ生成過程の系統的ノイズと因果構造に対する理解に基づく新しい手法を提案する。
提案アルゴリズムは,PCAをベースとしたPSFサブトラクションよりも偽陽性率が高い。
論文 参考訳(メタデータ) (2022-04-07T13:34:30Z) - A Feature Fusion-Net Using Deep Spatial Context Encoder and
Nonstationary Joint Statistical Model for High Resolution SAR Image
Classification [10.152675581771113]
HR SAR画像に対して, エンドツーエンドの教師付き分類法を提案する。
より効果的な空間特徴を抽出するために,新しい深部空間コンテキストエンコーダネットワーク(DSCEN)を提案する。
統計の多様性を高めるため、非定常連成統計モデル(NS-JSM)が採用され、グローバルな統計特性を形成する。
論文 参考訳(メタデータ) (2021-05-11T06:20:14Z) - Noise Reduction in X-ray Photon Correlation Spectroscopy with
Convolutional Neural Networks Encoder-Decoder Models [0.0]
2時間相関関数における信号対雑音比を改善するための計算手法を提案する。
CNN-EDモデルは、畳み込みニューラルネットワークデコーダ(CNN-ED)モデルに基づいている。
実世界の実験データに基づいて訓練されたCNN-EDモデルにより,2時間相関関数から平衡力学パラメータを効果的に抽出できることが実証された。
論文 参考訳(メタデータ) (2021-02-07T18:38:59Z) - Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。
本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文 参考訳(メタデータ) (2020-12-16T21:46:33Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z)
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。