論文の概要: RadioGalaxyNET: Dataset and Novel Computer Vision Algorithms for the Detection of Extended Radio Galaxies and Infrared Hosts

• arxiv url: http://arxiv.org/abs/2312.00306v1
• Date: Fri, 1 Dec 2023 02:54:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 15:50:33.924581
• Title: RadioGalaxyNET: Dataset and Novel Computer Vision Algorithms for the Detection of Extended Radio Galaxies and Infrared Hosts
• Title（参考訳）: RadioGalaxyNET:拡張電波銀河と赤外線ホストの検出のためのデータセットと新しいコンピュータビジョンアルゴリズム
• Authors: Nikhel Gupta, Zeeshan Hayder, Ray P. Norris, Minh Huynh, and Lars Petersson
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.997324012222695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creating radio galaxy catalogues from next-generation deep surveys requires automated identification of associated components of extended sources and their corresponding infrared hosts. In this paper, we introduce RadioGalaxyNET, a multimodal dataset, and a suite of novel computer vision algorithms designed to automate the detection and localization of multi-component extended radio galaxies and their corresponding infrared hosts. The dataset comprises 4,155 instances of galaxies in 2,800 images with both radio and infrared channels. Each instance provides information about the extended radio galaxy class, its corresponding bounding box encompassing all components, the pixel-level segmentation mask, and the keypoint position of its corresponding infrared host galaxy. RadioGalaxyNET is the first dataset to include images from the highly sensitive Australian Square Kilometre Array Pathfinder (ASKAP) radio telescope, corresponding infrared images, and instance-level annotations for galaxy detection. We benchmark several object detection algorithms on the dataset and propose a novel multimodal approach to simultaneously detect radio galaxies and the positions of infrared hosts.
• Abstract（参考訳）: 次世代のディープサーベイから電波銀河カタログを作成するには、拡張されたソースとその対応する赤外線ホストの関連コンポーネントの自動識別が必要である。 本稿では、マルチモーダルデータセットであるradiogalaxynetと、多成分拡張電波銀河とその対応する赤外線ホストの検出と局在を自動化するために設計された一連の新しいコンピュータビジョンアルゴリズムを紹介する。 データセットは4,155個の銀河と2,800枚の画像からなり、電波と赤外線のチャネルがある。 それぞれのインスタンスは、拡張無線銀河クラス、すべてのコンポーネントを含む対応する境界ボックス、ピクセルレベルのセグメンテーションマスク、対応する赤外線ホスト銀河のキーポイント位置に関する情報を提供する。 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(ASKAP)電波望遠鏡の画像、対応する赤外線画像、銀河検出のためのインスタンスレベルのアノテーションを含む最初のデータセットである。 本稿では,複数の物体検出アルゴリズムをベンチマークし,電波銀河と赤外線ホストの位置を同時に検出するための新しいマルチモーダル手法を提案する。

関連論文リスト

• Radio U-Net: a convolutional neural network to detect diffuse radio sources in galaxy clusters and beyond [0.0]
  拡散源の電波干渉画像は画像分割作業の課題を示す。 U-Netアーキテクチャに基づく完全畳み込みニューラルネットワークであるRadio U-Netを紹介する。 Radio U-Netは、ラジオサーベイで暗く拡張されたソースを検出するように設計されている。
  論文  参考訳（メタデータ） (2024-08-20T14:03:21Z)
• RG-CAT: Detection Pipeline and Catalogue of Radio Galaxies in the EMU Pilot Survey [8.628944866074555]
  我々は、電波銀河の最初のカタログを構築するために、ソース検出およびカタログ構築パイプラインを提案する。 我々はGal-DINOコンピュータビジョンネットワークを用いて、電波源の無線形態とバウンディングボックスのカテゴリを予測する。 我々は、カタログ内の電波源を赤外線と光学カタログと交差させ、73%の赤外線のクロスマッチ、そして36%の電波銀河の光度赤方偏移を発見した。
  論文  参考訳（メタデータ） (2024-03-21T08:52:39Z)
• 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)
• NWPU-MOC: A Benchmark for Fine-grained Multi-category Object Counting in Aerial Images [64.92809155168595]
  本稿では,空中画像中の異なる物体の数を推定する多カテゴリオブジェクトカウントタスクを提案する。 このタスクのデータセットが存在しないことを考慮して、大規模なデータセットが収集され、解像度が1024$times$1024ピクセルの3,416のシーンで構成されている。 本稿では,RGB と NIR の特徴を融合させるために,デュアルアテンションモジュールを用いたマルチスペクトル・マルチカテゴリオブジェクトカウントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-19T07:12:36Z)
• A Multimodal Dataset and Benchmark for Radio Galaxy and Infrared Host Detection [13.944126480815553]
  データセットは4,155個の銀河と2,800枚の画像からなり、電波と赤外線の両方が記録されている。 私たちのデータセットは、高感度の電波望遠鏡、赤外線衛星、およびそれらの識別のためのインスタンスレベルのアノテーションの画像を含む、初めて公開されたデータセットです。
  論文  参考訳（メタデータ） (2023-12-11T08:19:38Z)
• Deep Learning for Morphological Identification of Extended Radio Galaxies using Weak Labels [9.857561410876682]
  弱教師付き深層学習アルゴリズムは画素レベルの情報を予測する際に高い精度が得られることを示す。 このアルゴリズムは、クラスアクティベーションマップ(CAM)を得るために、電波銀河の弱いクラスレベルラベルに基づいて訓練される。 このモデルでは、無線マスクと赤外線ホスト位置のmAP$_50$が67.5%、76.8%に達することが示されている。
  論文  参考訳（メタデータ） (2023-08-09T18:10:05Z)
• Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
  Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。 リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
  論文  参考訳（メタデータ） (2023-03-20T13:40:11Z)
• Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
  本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。 従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。 本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
  論文  参考訳（メタデータ） (2022-03-30T11:44:56Z)
• 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)
• OpenCSI: An Open-Source Dataset for Indoor Localization Using CSI-Based Fingerprinting [73.9222625243696]
  フィンガープリントに基づくローカライゼーション手法はこの問題の解決法を提案するが、取得に労力を要する無線マップに依存している。 ソフトウェア定義無線(SDR)と車輪付きロボットを用いて,無線マップ取得フェーズを自動化する。 本研究では,畳み込みニューラルネットワークを用いて位置座標を推定する最初の局在化実験について述べる。
  論文  参考訳（メタデータ） (2021-04-16T08:31:46Z)
• 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。