論文の概要: Deep Learning for Morphological Identification of Extended Radio Galaxies using Weak Labels

• arxiv url: http://arxiv.org/abs/2308.05166v1
• Date: Wed, 9 Aug 2023 18:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 14:37:50.718358
• Title: Deep Learning for Morphological Identification of Extended Radio Galaxies using Weak Labels
• Title（参考訳）: 弱いラベルを用いた拡張電波銀河の形態識別のための深層学習
• Authors: Nikhel Gupta, Zeeshan Hayder, Ray P. Norris, Minh Huynh, Lars Petersson, X. Rosalind Wang, Heinz Andernach, B\"arbel S. Koribalski, Miranda Yew, and Evan J. Crawford
• Abstract要約: 弱教師付き深層学習アルゴリズムは画素レベルの情報を予測する際に高い精度が得られることを示す。 このアルゴリズムは、クラスアクティベーションマップ(CAM)を得るために、電波銀河の弱いクラスレベルラベルに基づいて訓練される。 このモデルでは、無線マスクと赤外線ホスト位置のmAP$_50$が67.5%、76.8%に達することが示されている。
• 参考スコア（独自算出の注目度）: 9.857561410876682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The present work discusses the use of a weakly-supervised deep learning algorithm that reduces the cost of labelling pixel-level masks for complex radio galaxies with multiple components. The algorithm is trained on weak class-level labels of radio galaxies to get class activation maps (CAMs). The CAMs are further refined using an inter-pixel relations network (IRNet) to get instance segmentation masks over radio galaxies and the positions of their infrared hosts. We use data from the Australian Square Kilometre Array Pathfinder (ASKAP) telescope, specifically the Evolutionary Map of the Universe (EMU) Pilot Survey, which covered a sky area of 270 square degrees with an RMS sensitivity of 25-35 $\mu$Jy/beam. We demonstrate that weakly-supervised deep learning algorithms can achieve high accuracy in predicting pixel-level information, including masks for the extended radio emission encapsulating all galaxy components and the positions of the infrared host galaxies. We evaluate the performance of our method using mean Average Precision (mAP) across multiple classes at a standard intersection over union (IoU) threshold of 0.5. We show that the model achieves a mAP$_{50}$ of 67.5\% and 76.8\% for radio masks and infrared host positions, respectively. The network architecture can be found at the following link: https://github.com/Nikhel1/Gal-CAM
• Abstract（参考訳）: 本研究は,複数成分の複雑な電波銀河に対する画素レベルマスクのラベル付けコストを低減させる,弱教師付きディープラーニングアルゴリズムの使用について論じる。 このアルゴリズムは、無線銀河の弱いクラスレベルラベルに基づいて、クラスアクティベーションマップ(cams)を取得するように訓練されている。 CAMは、赤外線銀河と赤外線ホストの位置のインスタンスセグメンテーションマスクを得るために、ピクセル間関係ネットワーク(IRNet)を使用してさらに洗練されている。 askap(australian square kmlometre array pathfinder)望遠鏡のデータ、特にemu( evolutionary map of the universe)のパイロットサーベイは、270平方度、rms感度25-35ドル/beamの空域をカバーしている。 弱教師付き深層学習アルゴリズムは、全銀河成分と赤外線ホスト銀河の位置を包含する拡張電波放射用マスクを含む画素レベルの情報を予測するのに高い精度が得られることを示す。 本稿では,複数のクラスをまたいだ平均平均精度(map)を用いて,結合(iou)しきい値0.5の標準交点における性能評価を行った。 本モデルでは,無線マスクと赤外線ホスト位置について,mAP$_{50}$が67.5\%,76.8\%となることを示す。 ネットワークアーキテクチャは以下のリンクにある。 https://github.com/nikhel1/gal-cam

関連論文リスト

• Classification of compact radio sources in the Galactic plane with supervised machine learning [0.0]
  我々は、無線画像と赤外線画像の両方を入力として、ギャラクティック平面におけるコンパクトな電波源の分類に着目する。 この目的のために、我々は、異なる天文学クラスからなるコンパクトなソースの2万の画像をキュレートしたデータセットを作成しました。 実装されたツールと訓練されたモデルが公開され、将来の応用のために電波天文学コミュニティで利用可能になった。
  論文  参考訳（メタデータ） (2024-02-23T09:47:42Z)
• A Multimodal Dataset and Benchmark for Radio Galaxy and Infrared Host Detection [13.944126480815553]
  データセットは4,155個の銀河と2,800枚の画像からなり、電波と赤外線の両方が記録されている。 私たちのデータセットは、高感度の電波望遠鏡、赤外線衛星、およびそれらの識別のためのインスタンスレベルのアノテーションの画像を含む、初めて公開されたデータセットです。
  論文  参考訳（メタデータ） (2023-12-11T08:19:38Z)
• RadioGalaxyNET: Dataset and Novel Computer Vision Algorithms for the Detection of Extended Radio Galaxies and Infrared Hosts [12.997324012222695]
  RadioGalaxyNETは2,800枚の画像から4,155個の銀河を抽出したデータセットである。 RadioGalaxyNETは、高感度のオーストラリア・スクエア・キロメア・アレー・パスファインダー電波望遠鏡の画像を含む最初のデータセットである。
  論文  参考訳（メタデータ） (2023-12-01T02:54:38Z)
• Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
  オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。 今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。 本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T10:45:51Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images [51.227489316673484]
  水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。 正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。 各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
  論文  参考訳（メタデータ） (2020-12-24T06:36:48Z)
• Data-Efficient Classification of Radio Galaxies [0.0]
  本稿では, 深層学習手法を用いた形態学に基づく電波銀河分類の課題について検討する。 我々は、ツインネットワークに基づく数ショット学習技術と、事前訓練されたDenseNetモデルを用いたトランスファー学習技術を適用した。 我々は、ベント型銀河とFRII型銀河の最大の混同源である最高の性能モデルを用いて、92%以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2020-11-26T14:28:19Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Satellite Image Classification with Deep Learning [0.0]
  IARPA関数マップ(FMoW)データセットから対象物や施設を63のクラスに分類する深層学習システムについて述べる。 このシステムは、畳み込みニューラルネットワークと、衛星メタデータと画像特徴を統合する追加のニューラルネットワークのアンサンブルで構成されている。 執筆時点では、このシステムはfMoW TopCoderコンペティションで2位だ。
  論文  参考訳（メタデータ） (2020-10-13T15:56:58Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。