論文の概要: Euclid: Identification of asteroid streaks in simulated images using
deep learning
- arxiv url: http://arxiv.org/abs/2310.03845v1
- Date: Thu, 5 Oct 2023 19:03:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 19:00:34.163442
- Title: Euclid: Identification of asteroid streaks in simulated images using
deep learning
- Title（参考訳）: Euclid:ディープラーニングを用いたシミュレーション画像中の小惑星ストリークの同定
- Authors: M. P\"ontinen (1), M. Granvik (1 and 2), A. A. Nucita (3 and 4 and 5),
L. Conversi (6 and 7), B. Altieri (7), B. Carry (8), C. M. O'Riordan (9), D.
Scott (10), N. Aghanim (11), A. Amara (12), L. Amendola (13), N. Auricchio
(14), M. Baldi (15 and 14 and 16), D. Bonino (17), E. Branchini (18 and 19),
M. Brescia (20 and 21), S. Camera (22 and 23 and 17), V. Capobianco (17), C.
Carbone (24), J. Carretero (25 and 26), M. Castellano (27), S. Cavuoti (21
and 28), A. Cimatti (29), R. Cledassou (30 and 31), G. Congedo (32), Y. Copin
(33), L. Corcione (17), F. Courbin (34), M. Cropper (35), A. Da Silva (36 and
37), H. Degaudenzi (38), J. Dinis (37 and 36), F. Dubath (38), X. Dupac (7),
S. Dusini (39), S. Farrens (40), S. Ferriol (33), M. Frailis (41), E.
Franceschi (14), M. Fumana (24), S. Galeotta (41), B. Garilli (24), W.
Gillard (42), B. Gillis (32), C. Giocoli (14 and 16), A. Grazian (43), S. V.
H. Haugan (44), W. Holmes (45), F. Hormuth (46), A. Hornstrup (47 and 48), K.
Jahnke (49), M. K\"ummel (50), S. Kermiche (42), A. Kiessling (45), T.
Kitching (35), R. Kohley (7), M. Kunz (51), H. Kurki-Suonio (1 and 52), S.
Ligori (17), P. B. Lilje (44), I. Lloro (53), E. Maiorano (14), O. Mansutti
(41), O. Marggraf (54), K. Markovic (45), F. Marulli (15 and 14 and 16), R.
Massey (55), E. Medinaceli (14), S. Mei (56), M. Melchior (57), Y. Mellier
(58 and 59 and 60), M. Meneghetti (14 and 16), G. Meylan (34), M. Moresco (15
and 14), L. Moscardini (15 and 14 and 16), E. Munari (41), S.-M. Niemi (61),
T. Nutma (62 and 63), C. Padilla (25), S. Paltani (38), F. Pasian (41), K.
Pedersen (64), V. Pettorino (40), S. Pires (65), G. Polenta (66), M. Poncet
(30), F. Raison (67), A. Renzi (68 and 39), J. Rhodes (45), G. Riccio (21),
E. Romelli (41), M. Roncarelli (14), E. Rossetti (69), R. Saglia (50 and 67),
D. Sapone (70), B. Sartoris (50 and 41), P. Schneider (54), A. Secroun (42),
G. Seidel (49), S. Serrano (71 and 72), C. Sirignano (68 and 39), G. Sirri
(16), L. Stanco (39), P. Tallada-Cresp\'i (73 and 26), A. N. Taylor (32), I.
Tereno (36 and 74), R. Toledo-Moreo (75), F. Torradeflot (26 and 73), I.
Tutusaus (76), L. Valenziano (14 and 77), T. Vassallo (41), G. Verdoes Kleijn
(62), Y. Wang (78), J. Weller (50 and 67), G. Zamorani (14), J. Zoubian (42),
V. Scottez (58 and 79) ((1) Department of Physics, P.O. Box 64, 00014
University of Helsinki, Finland, (2) Division of Space Technology, Lule{\aa}
University of Technology, Box 848, 98128 Kiruna, Sweden, (3) Department of
Mathematics and Physics E. De Giorgi, University of Salento, Via per
Arnesano, CP-I93, 73100, Lecce, Italy, (4) INAF-Sezione di Lecce, c/o
Dipartimento Matematica e Fisica, Via per Arnesano, 73100, Lecce, Italy, (5)
INFN, Sezione di Lecce, Via per Arnesano, CP-193, 73100, Lecce, Italy, (6)
European Space Agency/ESRIN, Largo Galileo Galilei 1, 00044 Frascati, Roma,
Italy, (7) ESAC/ESA, Camino Bajo del Castillo, s/n., Urb. Villafranca del
Castillo, 28692 Villanueva de la Ca\~nada, Madrid, Spain, (8) Universit\'e
C\^ote d'Azur, Observatoire de la C\^ote d'Azur, CNRS, Laboratoire Lagrange,
Bd de l'Observatoire, CS 34229, 06304 Nice cedex 4, France, (9)
Max-Planck-Institut f\"ur Astrophysik, Karl-Schwarzschild Str. 1, 85741
Garching, Germany, (10) Departement of Physics and Astronomy, University of
British Columbia, Vancouver, BC V6T 1Z1, Canada, (11) Universit\'e
Paris-Saclay, CNRS, Institut d'astrophysique spatiale, 91405, Orsay, France,
(12) Institute of Cosmology and Gravitation, University of Portsmouth,
Portsmouth PO1 3FX, UK, (13) Institut f\"ur Theoretische Physik, University
of Heidelberg, Philosophenweg 16, 69120 Heidelberg, Germany, (14)
INAF-Osservatorio di Astrofisica e Scienza dello Spazio di Bologna, Via Piero
Gobetti 93/3, 40129 Bologna, Italy, (15) Dipartimento di Fisica e Astronomia
"Augusto Righi" - Alma Mater Studiorum Universit\`a di Bologna, via Piero
Gobetti 93/2, 40129 Bologna, Italy, (16) INFN-Sezione di Bologna, Viale Berti
Pichat 6/2, 40127 Bologna, Italy, (17) INAF-Osservatorio Astrofisico di
Torino, Via Osservatorio 20, 10025 Pino Torinese (TO), Italy, (18)
Dipartimento di Fisica, Universit\`a di Genova, Via Dodecaneso 33, 16146,
Genova, Italy, (19) INFN-Sezione di Genova, Via Dodecaneso 33, 16146, Genova,
Italy, (20) Department of Physics "E. Pancini", University Federico II, Via
Cinthia 6, 80126, Napoli, Italy, (21) INAF-Osservatorio Astronomico di
Capodimonte, Via Moiariello 16, 80131 Napoli, Italy, (22) Dipartimento di
Fisica, Universit\`a degli Studi di Torino, Via P. Giuria 1, 10125 Torino,
Italy, (23) INFN-Sezione di Torino, Via P. Giuria 1, 10125 Torino, Italy,
(24) INAF-IASF Milano, Via Alfonso Corti 12, 20133 Milano, Italy, (25)
Institut de F\'isica d'Altes Energies (IFAE), The Barcelona Institute of
Science and Technology, Campus UAB, 08193 Bellaterra (Barcelona), Spain, (26)
Port d'Informaci\'o Cient\'ifica, Campus UAB, C. Albareda s/n, 08193
Bellaterra (Barcelona), Spain, (27) INAF-Osservatorio Astronomico di Roma,
Via Frascati 33, 00078 Monteporzio Catone, Italy, (28) INFN section of
Naples, Via Cinthia 6, 80126, Napoli, Italy, (29) Dipartimento di Fisica e
Astronomia "Augusto Righi" - Alma Mater Studiorum Universit\`a di Bologna,
Viale Berti Pichat 6/2, 40127 Bologna, Italy, (30) Centre National d'Etudes
Spatiales -- Centre spatial de Toulouse, 18 avenue Edouard Belin, 31401
Toulouse Cedex 9, France, (31) Institut national de physique nucl\'eaire et
de physique des particules, 3 rue Michel-Ange, 75794 Paris C\'edex 16,
France, (32) Institute for Astronomy, University of Edinburgh, Royal
Observatory, Blackford Hill, Edinburgh EH9 3HJ, UK, (33) University of Lyon,
Univ Claude Bernard Lyon 1, CNRS/IN2P3, IP2I Lyon, UMR 5822, 69622
Villeurbanne, France, (34) Institute of Physics, Laboratory of Astrophysics,
Ecole Polytechnique F\'ed\'erale de Lausanne (EPFL), Observatoire de
Sauverny, 1290 Versoix, Switzerland, (35) Mullard Space Science Laboratory,
University College London, Holmbury St Mary, Dorking, Surrey RH5 6NT, UK,
(36) Departamento de F\'isica, Faculdade de Ci\^encias, Universidade de
Lisboa, Edif\'icio C8, Campo Grande, PT1749-016 Lisboa, Portugal, (37)
Instituto de Astrof\'isica e Ci\^encias do Espa\c{c}o, Faculdade de
Ci\^encias, Universidade de Lisboa, Campo Grande, 1749-016 Lisboa, Portugal,
(38) Department of Astronomy, University of Geneva, ch. d'Ecogia 16, 1290
Versoix, Switzerland, (39) INFN-Padova, Via Marzolo 8, 35131 Padova, Italy,
(40) Universit\'e Paris-Saclay, Universit\'e Paris Cit\'e, CEA, CNRS,
Astrophysique, Instrumentation et Mod\'elisation Paris-Saclay, 91191
Gif-sur-Yvette, France, (41) INAF-Osservatorio Astronomico di Trieste, Via G.
B. Tiepolo 11, 34143 Trieste, Italy, (42) Aix-Marseille Universit\'e,
CNRS/IN2P3, CPPM, Marseille, France, (43) INAF-Osservatorio Astronomico di
Padova, Via dell'Osservatorio 5, 35122 Padova, Italy, (44) Institute of
Theoretical Astrophysics, University of Oslo, P.O. Box 1029 Blindern, 0315
Oslo, Norway, (45) Jet Propulsion Laboratory, California Institute of
Technology, 4800 Oak Grove Drive, Pasadena, CA, 91109, USA, (46) von Hoerner
\& Sulger GmbH, Schlo{\ss}Platz 8, 68723 Schwetzingen, Germany, (47)
Technical University of Denmark, Elektrovej 327, 2800 Kgs. Lyngby, Denmark,
(48) Cosmic Dawn Center (DAWN), Denmark, (49) Max-Planck-Institut f\"ur
Astronomie, K\"onigstuhl 17, 69117 Heidelberg, Germany, (50)
Universit\"ats-Sternwarte M\"unchen, Fakult\"at f\"ur Physik,
Ludwig-Maximilians-Universit\"at M\"unchen, Scheinerstrasse 1, 81679
M\"unchen, Germany, (51) Universit\'e de Gen\`eve, D\'epartement de Physique
Th\'eorique and Centre for Astroparticle Physics, 24 quai Ernest-Ansermet,
CH-1211 Gen\`eve 4, Switzerland, (52) Helsinki Institute of Physics, Gustaf
H\"allstr\"omin katu 2, University of Helsinki, Helsinki, Finland, (53) NOVA
optical infrared instrumentation group at ASTRON, Oude Hoogeveensedijk 4,
7991PD, Dwingeloo, The Netherlands, (54) Universit\"at Bonn,
Argelander-Institut f\"ur Astronomie, Auf dem H\"ugel 71, 53121 Bonn,
Germany, (55) Department of Physics, Institute for Computational Cosmology,
Durham University, South Road, DH1 3LE, UK, (56) Universit\'e Paris Cit\'e,
CNRS, Astroparticule et Cosmologie, 75013 Paris, France, (57) University of
Applied Sciences and Arts of Northwestern Switzerland, School of Engineering,
5210 Windisch, Switzerland, (58) Institut d'Astrophysique de Paris, 98bis
Boulevard Arago, 75014, Paris, France, (59) Institut d'Astrophysique de
Paris, UMR 7095, CNRS, and Sorbonne Universit\'e, 98 bis boulevard Arago,
75014 Paris, France, (60) CEA Saclay, DFR/IRFU, Service d'Astrophysique, Bat.
709, 91191 Gif-sur-Yvette, France, (61) European Space Agency/ESTEC,
Keplerlaan 1, 2201 AZ Noordwijk, The Netherlands, (62) Kapteyn Astronomical
Institute, University of Groningen, PO Box 800, 9700 AV Groningen, The
Netherlands, (63) Leiden Observatory, Leiden University, Niels Bohrweg 2,
2333 CA Leiden, The Netherlands, (64) Department of Physics and Astronomy,
University of Aarhus, Ny Munkegade 120, DK-8000 Aarhus C, Denmark, (65)
Universit\'e Paris-Saclay, Universit\'e Paris Cit\'e, CEA, CNRS, AIM, 91191,
Gif-sur-Yvette, France, (66) Space Science Data Center, Italian Space Agency,
via del Politecnico snc, 00133 Roma, Italy, (67) Max Planck Institute for
Extraterrestrial Physics, Giessenbachstr. 1, 85748 Garching, Germany, (68)
Dipartimento di Fisica e Astronomia "G. Galilei", Universit\`a di Padova, Via
Marzolo 8, 35131 Padova, Italy, (69) Dipartimento di Fisica e Astronomia,
Universit\`a di Bologna, Via Gobetti 93/2, 40129 Bologna, Italy, (70)
Departamento de F\'isica, FCFM, Universidad de Chile, Blanco Encalada 2008,
Santiago, Chile, (71) Institut d'Estudis Espacials de Catalunya (IEEC),
Carrer Gran Capit\'a 2-4, 08034 Barcelona, Spain, (72) Institut de Ciencies
de l'Espai (IEEC-CSIC), Campus UAB, Carrer de Can Magrans, s/n Cerdanyola del
Vall\'es, 08193 Barcelona, Spain, (73) Centro de Investigaciones
Energ\'eticas, Medioambientales y Tecnol\'ogicas (CIEMAT), Avenida
Complutense 40, 28040 Madrid, Spain, (74) Instituto de Astrof\'isica e
Ci\^encias do Espa\c{c}o, Faculdade de Ci\^encias, Universidade de Lisboa,
Tapada da Ajuda, 1349-018 Lisboa, Portugal, (75) Universidad Polit\'ecnica de
Cartagena, Departamento de Electr\'onica y Tecnolog\'ia de Computadoras,
Plaza del Hospital 1, 30202 Cartagena, Spain, (76) Institut de Recherche en
Astrophysique et Plan\'etologie (IRAP), Universit\'e de Toulouse, CNRS, UPS,
CNES, 14 Av. Edouard Belin, 31400 Toulouse, France, (77) INFN-Bologna, Via
Irnerio 46, 40126 Bologna, Italy, (78) Infrared Processing and Analysis
Center, California Institute of Technology, Pasadena, CA 91125, USA, (79)
Junia, EPA department, 41 Bd Vauban, 59800 Lille, France)
- Abstract要約: 最大150万個の小惑星がESAのユークリッド宇宙望遠鏡で観測される。
多くの画像や小惑星のため、自動検出方法が必要である。
深層学習を用いてユークリッド画像中の小惑星のストリークを検出する能力を向上させることを試みた。
- 参考スコア（独自算出の注目度）: 2.2095493658767142
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Up to 150000 asteroids will be visible in the images of the ESA Euclid space
telescope, and the instruments of Euclid offer multiband visual to
near-infrared photometry and slitless spectra of these objects. Most asteroids
will appear as streaks in the images. Due to the large number of images and
asteroids, automated detection methods are needed. A non-machine-learning
approach based on the StreakDet software was previously tested, but the results
were not optimal for short and/or faint streaks. We set out to improve the
capability to detect asteroid streaks in Euclid images by using deep learning.
We built, trained, and tested a three-step machine-learning pipeline with
simulated Euclid images. First, a convolutional neural network (CNN) detected
streaks and their coordinates in full images, aiming to maximize the
completeness (recall) of detections. Then, a recurrent neural network (RNN)
merged snippets of long streaks detected in several parts by the CNN. Lastly,
gradient-boosted trees (XGBoost) linked detected streaks between different
Euclid exposures to reduce the number of false positives and improve the purity
(precision) of the sample.
The deep-learning pipeline surpasses the completeness and reaches a similar
level of purity of a non-machine-learning pipeline based on the StreakDet
software. Additionally, the deep-learning pipeline can detect asteroids
0.25-0.5 magnitudes fainter than StreakDet. The deep-learning pipeline could
result in a 50% increase in the number of detected asteroids compared to the
StreakDet software. There is still scope for further refinement, particularly
in improving the accuracy of streak coordinates and enhancing the completeness
of the final stage of the pipeline, which involves linking detections across
multiple exposures.
- Abstract（参考訳）: 最大150万個の小惑星がESAのユークリッド宇宙望遠鏡の画像に映し出され、ユークリッドの観測機器は、近赤外光度計とスリットレススペクトルを多バンドで提供する。
ほとんどの小惑星は画像のストリークとして現れる。
多くの画像や小惑星のため、自動検出方法が必要である。
以前はstreakdetソフトウェアに基づく非機械学習アプローチがテストされていたが、短絡や短絡には最適ではなかった。
深層学習を用いてユークリッド画像中の小惑星のストリークを検出する能力を向上させることを試みた。
シミュレーションされたユークリッド画像を用いた3ステップの機械学習パイプラインを構築し、訓練し、テストしました。
まず、畳み込みニューラルネットワーク(cnn)は、検出の完全性(リコール)を最大化するために、ストレークとその座標をフルイメージで検出する。
その後、リカレントニューラルネットワーク(RNN)がCNNによって検出された長いストリークのスニペットをマージする。
最後に,xgboost (gradient-boosted trees) をリンクして,異なるユークリッド曝露間の歪みを検出し,偽陽性数を減少させ,試料の純度(精度)を向上させた。
ディープラーニングパイプラインは完全性を超え、StreakDetソフトウェアに基づいた非機械学習パイプラインの同じレベルの純粋度に達する。
さらに、ディープラーニングパイプラインは、streakdetよりも0.15-0.5等級の小惑星を検出できる。
ディープラーニングパイプラインは、StreakDetソフトウェアと比較して検出された小惑星の数が50%増加する可能性がある。
特にストリーク座標の精度の向上と、複数の露光をまたいだ検出のリンクを含むパイプラインの最終段階の完全性の向上には、さらなる改善の余地がある。
関連論文リスト
- Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - UAVs and Neural Networks for search and rescue missions [0.0]
無人航空機(UAV)が捉えた空中画像において,車,人,火などの興味の対象を検出する方法を提案する。
これを実現するために,ニューラルネットワークを用いて教師あり学習のためのデータセットを作成する。
論文 参考訳（メタデータ） (2023-10-09T08:27:35Z) - DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients [105.25109274550607]
ラインセグメントは、視覚タスクでますます使われています。
画像勾配に基づく従来の線検出器は非常に高速で精度が高いが、ノイズの多い画像や困難な条件では頑丈さに欠ける。
我々は、両方の世界を最大限に活用するために、伝統的なアプローチと学習されたアプローチを組み合わせることを提案する。
論文 参考訳（メタデータ） (2022-12-15T12:36:49Z) - When Spectral Modeling Meets Convolutional Networks: A Method for
Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data [0.0]
画像に基づく深層学習により実装された新しい空間幾何学的ベト基準を導入する。
我々は、この手法の最初の応用を、イオン化時代のレンズ付きクエーサーの体系的な探索に適用する。
トレーニングデータセットは、実際の銀河画像の上に偏向した点光源の光を塗って、現実的な銀河クエーサーレンズモデルを生成することで構築される。
論文 参考訳（メタデータ） (2022-11-26T11:27:13Z) - Discovering Faint and High Apparent Motion Rate Near-Earth Asteroids
Using A Deep Learning Program [0.5729426778193399]
本研究では,地球近傍を高速で移動する物体を検出できる畳み込みニューラルネットワークを開発した。
シミュレーションから生成された人工ストリークで訓練され、98.7%の精度でこれらの小惑星ストリークを見つけることができた。
このアプローチは、高速で動く小惑星のストリークを検出するために、あらゆる観測所で採用することができる。
論文 参考訳（メタデータ） (2022-08-19T00:16:09Z) - An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。
RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。
RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
論文 参考訳（メタデータ） (2022-04-06T13:38:11Z) - Autonomous crater detection on asteroids using a fully-convolutional
neural network [1.3750624267664155]
本稿では,完全畳み込みニューラルネットワークU-Netを用いた自律クレーター検出のCeresへの適用について述べる。
U-Netは、LROと手動クレーターカタログによって収集されたデータに基づいて、ムーン・グローバル・モルフォロジー・モザイクの光学画像に基づいて訓練されている。
訓練されたモデルは、Ceresの100、500、1000の画像を使って微調整されている。
論文 参考訳（メタデータ） (2022-04-01T14:34:11Z) - Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。
BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。
0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
論文 参考訳（メタデータ） (2021-08-16T10:42:59Z) - Data Augmentation for Object Detection via Differentiable Neural
Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。
この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。
オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文 参考訳（メタデータ） (2021-03-04T06:31:06Z) - Lunar Terrain Relative Navigation Using a Convolutional Neural Network
for Visual Crater Detection [39.20073801639923]
本稿では、畳み込みニューラルネットワーク(CNN)と画像処理を用いて、シミュレーションされた宇宙船の位置を追跡するシステムを提案する。
CNNはLunaNetと呼ばれ、シミュレートされたカメラフレームのクレーターを視覚的に検出し、これらの検出は現在の推定された宇宙船の位置の領域にある既知の月のクレーターと一致している。
論文 参考訳（メタデータ） (2020-07-15T14:19:27Z) - End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection [62.34374949726333]
擬似LiDAR(PL)は、LiDARセンサに基づく手法と安価なステレオカメラに基づく手法の精度ギャップを劇的に減らした。
PLは最先端のディープニューラルネットワークと2D深度マップ出力を3Dポイントクラウド入力に変換することで3Dオブジェクト検出のための3D深度推定を組み合わせている。
我々は、PLパイプライン全体をエンドツーエンドにトレーニングできるように、差別化可能なRepresentation (CoR)モジュールに基づく新しいフレームワークを導入します。
論文 参考訳（メタデータ） (2020-04-07T02:18:38Z)
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。