論文の概要: Classification of compact radio sources in the Galactic plane with supervised machine learning

• arxiv url: http://arxiv.org/abs/2402.15232v1
• Date: Fri, 23 Feb 2024 09:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-26 15:03:01.364413
• Title: Classification of compact radio sources in the Galactic plane with supervised machine learning
• Title（参考訳）: 教師付き機械学習による銀河面のコンパクト電波源の分類
• Authors: S. Riggi, G. Umana, C. Trigilio, C. Bordiu, F. Bufano, A. Ingallinera, F. Cavallaro, Y. Gordon, R.P. Norris, G. G\"urkan, P. Leto, C. Buemi, S. Loru, A.M. Hopkins, M.D. Filipovi\'c, T. Cecconello
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generation of science-ready data from processed data products is one of the major challenges in next-generation radio continuum surveys with the Square Kilometre Array (SKA) and its precursors, due to the expected data volume and the need to achieve a high degree of automated processing. Source extraction, characterization, and classification are the major stages involved in this process. In this work we focus on the classification of compact radio sources in the Galactic plane using both radio and infrared images as inputs. To this aim, we produced a curated dataset of ~20,000 images of compact sources of different astronomical classes, obtained from past radio and infrared surveys, and novel radio data from pilot surveys carried out with the Australian SKA Pathfinder (ASKAP). Radio spectral index information was also obtained for a subset of the data. We then trained two different classifiers on the produced dataset. The first model uses gradient-boosted decision trees and is trained on a set of pre-computed features derived from the data, which include radio-infrared colour indices and the radio spectral index. The second model is trained directly on multi-channel images, employing convolutional neural networks. Using a completely supervised procedure, we obtained a high classification accuracy (F1-score>90%) for separating Galactic objects from the extragalactic background. Individual class discrimination performances, ranging from 60% to 75%, increased by 10% when adding far-infrared and spectral index information, with extragalactic objects, PNe and HII regions identified with higher accuracies. The implemented tools and trained models were publicly released, and made available to the radioastronomical community for future application on new radio data.
• Abstract（参考訳）: 処理されたデータ製品から科学対応データを生成することは、期待されるデータ量と高度な自動化処理を実現する必要性から、平方キロメートルアレイ(ska)とその前駆体を用いた次世代電波連続体調査における大きな課題の1つである。 ソース抽出、キャラクタリゼーション、分類は、このプロセスに関わる主要な段階である。 本研究では,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小型電波源の分類に着目する。 そこで我々は,過去の電波および赤外探査から得られた,異なる天文学クラスのコンパクトなソースの約20,000枚の画像と,オーストラリアSKAパスファインダー(ASKAP)によるパイロット調査から得られた新しい無線データを用いて,そのデータを収集した。 電波スペクトルインデックス情報もデータのサブセットとして取得された。 次に、生成されたデータセットで2つの異なる分類器をトレーニングしました。 第1モデルは勾配ブースト決定木を使用し、無線赤外色指数や電波スペクトル指数を含むデータから導かれる事前計算された特徴のセットに基づいて訓練される。 第2のモデルは、畳み込みニューラルネットワークを用いて、マルチチャネルイメージを直接トレーニングする。 完全に教師ありの手順を用いて銀河系外の背景から銀河系天体を分離する高い分類精度(f1-score>90%)を得た。 個体の識別性能は60%から75%で、遠赤外線とスペクトルの指標情報を追加すると10%上昇し、銀河系外天体、pneおよびhii領域は高い確率で識別された。 実装されたツールと訓練されたモデルは公開され、新しい無線データへの将来の応用のために、ラジオ天文学コミュニティで利用可能になった。

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)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• RadioGalaxyNET: Dataset and Novel Computer Vision Algorithms for the Detection of Extended Radio Galaxies and Infrared Hosts [12.997324012222695]
  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。
  論文  参考訳（メタデータ） (2023-12-01T02:54:38Z)
• DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
  Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
  論文  参考訳（メタデータ） (2023-09-07T17:55:01Z)
• Advances on the classification of radio image cubes [4.443085464476228]
  現代の電波望遠鏡は、Square Kilometre Array (SKA)のようなシステムのために、毎日エクサバイト規模のデータセットを生成する。 大量データセットは、発見につながる未知の、希少な天体物理学現象の源泉である。 近年、電波天文学における人工知能の利用に焦点を当てた科学出版物が急増している。
  論文  参考訳（メタデータ） (2023-05-05T11:15:37Z)
• Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
  本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。 次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
  論文  参考訳（メタデータ） (2023-03-09T10:08:34Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• Data-Efficient Classification of Radio Galaxies [0.0]
  本稿では, 深層学習手法を用いた形態学に基づく電波銀河分類の課題について検討する。 我々は、ツインネットワークに基づく数ショット学習技術と、事前訓練されたDenseNetモデルを用いたトランスファー学習技術を適用した。 我々は、ベント型銀河とFRII型銀河の最大の混同源である最高の性能モデルを用いて、92%以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2020-11-26T14:28:19Z)
• Radioactive data: tracing through training [130.2266320167683]
  本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。 訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。 提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
  論文  参考訳（メタデータ） (2020-02-03T18:41:08Z)

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。