論文の概要: Scientific Preparation for CSST: Classification of Galaxy and
Nebula/Star Cluster Based on Deep Learning
- arxiv url: http://arxiv.org/abs/2312.04948v1
- Date: Fri, 8 Dec 2023 10:27:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 15:23:49.622409
- Title: Scientific Preparation for CSST: Classification of Galaxy and
Nebula/Star Cluster Based on Deep Learning
- Title(参考訳): CSSTの科学的準備:深層学習に基づく銀河・星雲・星団の分類
- Authors: Yuquan Zhang, Zhong Cao, Feng Wang, Lam, Man I, Hui Deng, Ying Mei,
and Lei Tan
- Abstract要約: 我々は、銀河とNSCの画像の分類のためのHR-CelestialNetというディープラーニングモデルを開発した。
HR-CelestialNetはテストセットで89.09%の精度を達成し、AlexNet、VGGNet、ResNetなどのモデルを上回った。
提案手法は,CSST探査ミッション中にリアルタイムに天体画像の識別を可能にする。
- 参考スコア(独自算出の注目度): 8.633077812513074
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Chinese Space Station Telescope (abbreviated as CSST) is a future
advanced space telescope. Real-time identification of galaxy and nebula/star
cluster (abbreviated as NSC) images is of great value during CSST survey. While
recent research on celestial object recognition has progressed, the rapid and
efficient identification of high-resolution local celestial images remains
challenging. In this study, we conducted galaxy and NSC image classification
research using deep learning methods based on data from the Hubble Space
Telescope. We built a Local Celestial Image Dataset and designed a deep
learning model named HR-CelestialNet for classifying images of the galaxy and
NSC. HR-CelestialNet achieved an accuracy of 89.09% on the testing set,
outperforming models such as AlexNet, VGGNet and ResNet, while demonstrating
faster recognition speeds. Furthermore, we investigated the factors influencing
CSST image quality and evaluated the generalization ability of HR-CelestialNet
on the blurry image dataset, demonstrating its robustness to low image quality.
The proposed method can enable real-time identification of celestial images
during CSST survey mission.
- Abstract(参考訳): 中国の宇宙ステーション望遠鏡(CSST)は将来の先進宇宙望遠鏡である。
銀河と星雲/星団(nsc)のリアルタイム同定は、csst調査において非常に有用である。
近年,天体認識の研究が進んでいるが,高分解能局所画像の迅速かつ効率的な同定は課題である。
本研究では,ハッブル宇宙望遠鏡のデータに基づく深層学習法を用いて,銀河・NSC画像分類の研究を行った。
我々は局所セレスタル画像データセットを構築し、銀河とNSCの画像の分類のためのHR-CelestialNetというディープラーニングモデルを設計した。
HR-CelestialNetはテストセットで89.09%の精度を達成し、AlexNet、VGGNet、ResNetなどのモデルよりも高速な認識速度を示した。
さらに,CSST画像の品質に影響を及ぼす要因について検討し,HR-CelestialNetのぼやけた画像データセットに対する一般化能力を評価し,低画質に対するロバスト性を実証した。
提案手法は,CSST探査ミッション中の天体画像のリアルタイム識別を可能にする。
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) - Spiral-Elliptical automated galaxy morphology classification from
telescope images [0.40792653193642503]
我々は、望遠鏡の銀河画像から効率的に抽出できる2つの新しい銀河形態統計、降下平均と降下分散を開発した。
我々は,Sloan Digital Sky Surveyの銀河画像データを用いて,提案した画像統計の有効性能を実証した。
論文 参考訳(メタデータ) (2023-10-10T22:36:52Z) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10~34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳(メタデータ) (2023-05-01T23:11:18Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Photometric identification of compact galaxies, stars and quasars using
multiple neural networks [0.9894420655516565]
MargNetは、恒星、クエーサー、コンパクト銀河を識別するためのディープラーニングベースの分類器である。
データの分類を直接学習し、人間の介入の必要性を最小限に抑える。
MargNetは、コンパクト銀河のみに焦点を当てた最初の分類器である。
論文 参考訳(メタデータ) (2022-11-15T18:37:04Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳(メタデータ) (2022-06-20T10:05:38Z) - Low-Rank Subspaces in GANs [101.48350547067628]
この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。
LowRankGAN は属性多様体の低次元表現を見つけることができる。
さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
論文 参考訳(メタデータ) (2021-06-08T16:16:32Z) - 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) - Detection of asteroid trails in Hubble Space Telescope images using Deep
Learning [0.0]
本稿では,ハッブル宇宙望遠鏡で撮影した単一露光写真における小惑星軌道の画像認識へのDeep Learningの適用について述べる。
多層深層畳み込みニューラルネットワークに基づくアルゴリズムを用いて、検証セット上で80%以上の精度を報告する。
論文 参考訳(メタデータ) (2020-10-29T09:03:18Z) - Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。
本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文 参考訳(メタデータ) (2020-04-23T17:32:19Z) - Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
論文 参考訳(メタデータ) (2020-01-17T04:05:46Z)
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。