論文の概要: Perception of Misalignment States for Sky Survey Telescopes with the
Digital Twin and the Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2311.18214v1
- Date: Thu, 30 Nov 2023 03:16:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 18:03:28.650446
- Title: Perception of Misalignment States for Sky Survey Telescopes with the
Digital Twin and the Deep Neural Networks
- Title（参考訳）: デジタルツインとディープニューラルネットワークを用いたスカイサーベイ望遠鏡の微調整状態の知覚
- Authors: Miao Zhang, Peng Jia, Zhengyang Li, Wennan Xiang, Jiameng Lv, Rui Sun
- Abstract要約: 本研究では,異なる視野で連続的に変化する点拡散関数から,不整合状態を抽出するディープニューラルネットワークを提案する。
我々は、不整合データを格納し、不整合状態と対応する点拡散関数の間の複雑な関係を探索する。
この方法は、アクティブ光学系と光学系アライメントの事前情報を提供するために使用できる。
- 参考スコア（独自算出の注目度）: 16.245776159991294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sky survey telescopes play a critical role in modern astronomy, but
misalignment of their optical elements can introduce significant variations in
point spread functions, leading to reduced data quality. To address this, we
need a method to obtain misalignment states, aiding in the reconstruction of
accurate point spread functions for data processing methods or facilitating
adjustments of optical components for improved image quality. Since sky survey
telescopes consist of many optical elements, they result in a vast array of
potential misalignment states, some of which are intricately coupled, posing
detection challenges. However, by continuously adjusting the misalignment
states of optical elements, we can disentangle coupled states. Based on this
principle, we propose a deep neural network to extract misalignment states from
continuously varying point spread functions in different field of views. To
ensure sufficient and diverse training data, we recommend employing a digital
twin to obtain data for neural network training. Additionally, we introduce the
state graph to store misalignment data and explore complex relationships
between misalignment states and corresponding point spread functions, guiding
the generation of training data from experiments. Once trained, the neural
network estimates misalignment states from observation data, regardless of the
impacts caused by atmospheric turbulence, noise, and limited spatial sampling
rates in the detector. The method proposed in this paper could be used to
provide prior information for the active optics system and the optical system
alignment.
- Abstract（参考訳）: スカイサーベイ望遠鏡は現代の天文学において重要な役割を担っているが、光学素子の誤認は点拡散関数に大きな変化をもたらし、データ品質が低下する。
これを解決するためには,データ処理のための正確な点展開関数の再構築や,画質向上のための光学部品の調整の容易化など,不整合状態を得る方法が必要である。
スカイサーベイ望遠鏡は、多くの光学素子で構成されているため、多くの潜在的な不一致状態を引き起こし、その一部は複雑に結合され、検出課題を提起している。
しかし、光学素子の不一致状態を連続的に調整することで、結合状態の絡み合いを解消することができる。
この原理に基づいて,異なる視野で連続的に変化する点拡散関数から,不整合状態を抽出するディープニューラルネットワークを提案する。
十分に多様なトレーニングデータを確保するために、ニューラルネットワークトレーニングのためのデータを得るためにデジタル双生児を採用することを推奨する。
さらに,誤用データを格納する状態グラフを導入し,誤用状態と対応する点スプレッド関数との複雑な関係を探索し,実験からのトレーニングデータの生成を導く。
トレーニングが完了すると、ニューラルネットワークは、大気の乱流、ノイズ、検出器内の限られた空間サンプリング率による影響にかかわらず、観測データから不正調整状態を推定する。
本論文で提案する手法は、アクティブ光学系と光学系アライメントの事前情報を提供するのに有用である。
関連論文リスト
- Image Restoration with Point Spread Function Regularization and Active
Learning [5.575847437953924]
大規模な天文学的な調査では、銀河や星雲を含む多数の天体の画像を捉えることができる。
様々なノイズレベルと点拡散関数は、これらの画像から情報抽出の精度と効率を損なう。
深層学習に基づく復元アルゴリズムと高忠実度望遠鏡シミュレータを接続する新しい画像復元アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-31T23:16:26Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。
本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文 参考訳（メタデータ） (2023-06-01T17:36:13Z) - Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。
提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
論文 参考訳（メタデータ） (2022-08-24T14:59:28Z) - Improving Astronomical Time-series Classification via Data Augmentation
with Generative Adversarial Networks [1.2891210250935146]
本稿では,GAN(Generative Adrial Networks)に基づくデータ拡張手法を提案する。
変動星の分類精度は、合成データによるトレーニングや実データによるテストで著しく向上する。
論文 参考訳（メタデータ） (2022-05-13T16:39:54Z) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳（メタデータ） (2022-04-09T16:41:53Z) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳（メタデータ） (2021-10-27T07:18:32Z) - Robust Feature Disentanglement in Imaging Data via Joint Invariant
Variational Autoencoders: from Cards to Atoms [0.0]
関節回転(および翻訳)不変変分オートエンコーダ(j-trVAE)を導入する。
この方法の性能は、いくつかの合成データセットで検証され、電子および走査プローブ顕微鏡の高分解能イメージングデータに拡張されます。
強誘電体材料と量子系の既知の物理学に直接関連する潜在空間の挙動を示す。
論文 参考訳（メタデータ） (2021-04-20T18:01:55Z) - 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) - Point Spread Function Estimation for Wide Field Small Aperture
Telescopes with Deep Neural Networks and Calibration Data [11.909250072362264]
点拡散関数 (PSF) は望遠鏡の状態を反映する。
視界全体の任意の位置におけるPSFの推定は、光学系によって誘導される収差が非常に複雑であるため困難である。
我々は、さらにディープニューラルネットワーク(DNN)に基づくPSFモデリング法を開発し、そのPSF推定への応用を示す。
論文 参考訳（メタデータ） (2020-11-20T07:26:02Z) - Detecting optical transients using artificial neural networks and
reference images from different surveys [0.0]
人工ニューラルネットワークを用いてこれらのトランジェントを検出する手法を提案する。
1つの画像は、潜在的な過渡期が存在する可能性があるエポックに対応しており、もう1つは初期のエポックの参照画像である。
実画像データから生成されたサンプルを用いて、シミュレーションされたサンプルに基づいて畳み込みニューラルネットワークと高密度層ネットワークを訓練し、トレーニングされたネットワークを試験した。
論文 参考訳（メタデータ） (2020-09-28T22:16:54Z)
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。