論文の概要: Preliminary Report on Mantis Shrimp: a Multi-Survey Computer Vision Photometric Redshift Model

• arxiv url: http://arxiv.org/abs/2402.03535v1
• Date: Mon, 5 Feb 2024 21:44:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 18:02:40.061215
• Title: Preliminary Report on Mantis Shrimp: a Multi-Survey Computer Vision Photometric Redshift Model
• Title（参考訳）: mantis shrimp: a multi-survey computer vision photometric redshift model に関する予備報告
• Authors: Andrew Engel, Gautham Narayan, Nell Byler
• Abstract要約: 光度赤偏移推定は天文学の確立されたサブフィールドである。 Mantis Shrimpは、超紫外(GALEX)、光学(PanSTARRS)、赤外線(UnWISE)画像を融合する、測光赤方偏移推定のためのコンピュータビジョンモデルである。
• 参考スコア（独自算出の注目度）: 0.431625343223275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The availability of large, public, multi-modal astronomical datasets presents an opportunity to execute novel research that straddles the line between science of AI and science of astronomy. Photometric redshift estimation is a well-established subfield of astronomy. Prior works show that computer vision models typically outperform catalog-based models, but these models face additional complexities when incorporating images from more than one instrument or sensor. In this report, we detail our progress creating Mantis Shrimp, a multi-survey computer vision model for photometric redshift estimation that fuses ultra-violet (GALEX), optical (PanSTARRS), and infrared (UnWISE) imagery. We use deep learning interpretability diagnostics to measure how the model leverages information from the different inputs. We reason about the behavior of the CNNs from the interpretability metrics, specifically framing the result in terms of physically-grounded knowledge of galaxy properties.
• Abstract（参考訳）: 大規模でパブリックでマルチモーダルな天文学データセットが利用可能であることは、ai科学と天文学の境界線にまたがる新しい研究を実行する機会を与える。 光度赤偏移推定は天文学の確立されたサブフィールドである。 先行研究によると、コンピュータビジョンモデルは通常カタログベースのモデルを上回るが、これらのモデルは複数の機器やセンサーからの画像を組み込む際にさらに複雑になる。 本報告では,超紫外(galex),光学(panstarrs),赤外線(unwise)画像と融合する光度赤方偏移推定のためのマルチサーベイコンピュータビジョンモデルであるmantis shrimpの作成の進展について詳述する。 我々は、ディープラーニングの解釈可能性診断を用いて、モデルが異なる入力からどのように情報を活用するかを測定する。 我々は、CNNの振る舞いを解釈可能性の指標から推論し、特に銀河の性質に関する物理的に基底的な知識で結果をフレーミングする。

関連論文リスト

• Maven: A Multimodal Foundation Model for Supernova Science [40.20166238855543]
  超新星科学の最初の基盤モデルであるMavenを紹介します。 まず、0.5Mの合成超新星からの光度測定と分光を合わせるために、我々のモデルを事前訓練する。 そして、Zwicky Transient Facilityから観測された4,702個の超新星の模型を微調整した。
  論文  参考訳（メタデータ） (2024-08-29T18:00:05Z)
• A Versatile Framework for Analyzing Galaxy Image Data by Implanting Human-in-the-loop on a Large Vision Model [14.609681101463334]
  大型ビジョンモデル(LVM)と下流タスク(DST)に基づく銀河画像の一般解析のためのフレームワークを提案する。 銀河画像の低信号-雑音比を考えると、我々は大きな視覚モデルにHuman-in-the-loop (HITL)モジュールを組み込んだ。 1000のデータポイントでトレーニングされたオブジェクト検出では、DSTが96.7%、ResNet50とMask R-CNNが93.1%である。
  論文  参考訳（メタデータ） (2024-05-17T16:29:27Z)
• State Space Model for New-Generation Network Alternative to Transformers: A Survey [52.812260379420394]
  深層学習時代において、Transformerアーキテクチャは、トレーニング済みのビッグモデルとさまざまなダウンストリームタスクにまたがる強力なパフォーマンスを示してきた。 注意モデルの複雑さをさらに軽減するために、より効率的な手法を設計するための多くの努力がなされている。 その中でも、自己注意に基づくトランスフォーマーモデルの代替として、ステートスペースモデル(SSM)が近年ますます注目を集めている。
  論文  参考訳（メタデータ） (2024-04-15T07:24:45Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from Multi-view Images [79.39247661907397]
  本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。 具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
  論文  参考訳（メタデータ） (2023-03-24T03:32:02Z)
• Self-Supervised Learning for Modeling Gamma-ray Variability in Blazars [0.0]
  ブラザーは活動的な銀河核であり、相対論的ジェットは地球に直接向けられている。 深層学習は、ガンマ線ブレザーの複雑な変動パターンの構造を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-02-15T14:57:46Z)
• Explainable, Physics Aware, Trustworthy AI Paradigm Shift for Synthetic Aperture Radar [5.164409209168982]
  本稿では,SAR(Synthetic Aperture Radar)データを対象としたデータサイエンスにおける説明可能性のパラダイム変更を提案する。 明確に確立されたモデルに基づいた説明可能なデータ変換を使用して、AIメソッドのインプットを生成することを目指している。
  論文  参考訳（メタデータ） (2023-01-09T09:22:13Z)
• Advancing Plain Vision Transformer Towards Remote Sensing Foundation Model [97.9548609175831]
  約1億のパラメータを持つプレーンビジョントランスフォーマーを利用して、リモートセンシングタスク用にカスタマイズされた大規模なビジョンモデルを提案する。 具体的には、RS画像における大きな画像サイズと様々な向きのオブジェクトを扱うために、回転する様々なウィンドウアテンションを提案する。 検出タスクの実験は、DOTA-V1.0データセット上で81.16%のmAPを達成したすべての最先端モデルよりも、我々のモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-08T09:08:40Z)
• Processing Images from Multiple IACTs in the TAIGA Experiment with Convolutional Neural Networks [62.997667081978825]
  我々は、畳み込みニューラルネットワーク(CNN)を用いて、TAIGA実験からモンテカルロシミュレーション画像を分析する。 この分析は、ガンマ線によるシャワーに対応する画像の選択と、ガンマ線のエネルギーを推定することを含む。
  論文  参考訳（メタデータ） (2021-12-31T10:49:11Z)
• Realistic galaxy image simulation via score-based generative models [0.0]
  本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。 主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
  論文  参考訳（メタデータ） (2021-11-02T16:27:08Z)

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。