Fugu-MT 論文翻訳(概要): A Novel Sector-Based Algorithm for an Optimized Star-Galaxy Classification

論文の概要: A Novel Sector-Based Algorithm for an Optimized Star-Galaxy Classification

arxiv url: http://arxiv.org/abs/2404.01049v1
Date: Mon, 1 Apr 2024 11:08:53 GMT
ステータス: 処理完了
システム内更新日: 2024-04-03 22:47:02.540201
Title: A Novel Sector-Based Algorithm for an Optimized Star-Galaxy Classification
Title（参考訳）: 最適化スターギャラクシー分類のための新しいセクタベースアルゴリズム
Authors: Anumanchi Agastya Sai Ram Likhit, Divyansh Tripathi, Akshay Agarwal,
Abstract要約: 本稿では,最新のSloan Digital Sky Surveyデータ(SDSS-DR18)を活用した,新しいセクターによる星座分類手法を提案する。 SDSS観測パターンに沿ったセクターに戦略的に天空を分割することにより、恒星銀河分類の最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 6.973725096278914
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces a novel sector-based methodology for star-galaxy classification, leveraging the latest Sloan Digital Sky Survey data (SDSS-DR18). By strategically segmenting the sky into sectors aligned with SDSS observational patterns and employing a dedicated convolutional neural network (CNN), we achieve state-of-the-art performance for star galaxy classification. Our preliminary results demonstrate a promising pathway for efficient and precise astronomical analysis, especially in real-time observational settings.
Abstract（参考訳）: 本稿では,最新のSloan Digital Sky Surveyデータ(SDSS-DR18)を活用して,新しいセクターベースの星座分類手法を提案する。 SDSS観測パターンに整合したセクターに空を戦略的に分割し、専用の畳み込みニューラルネットワーク(CNN)を用いることで、恒星銀河分類の最先端のパフォーマンスを実現する。予備的な結果は、特にリアルタイムな観測環境において、効率的かつ正確な天文学的分析のための有望な経路を示すものである。

関連論文リスト

SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T08:00:15Z)
A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。本稿では,生成技術に基づく時空間法を包括的に分析する。また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
論文参考訳（メタデータ） (2024-05-15T12:07:43Z)
Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
論文参考訳（メタデータ） (2024-03-12T07:32:47Z)
Detection and Segmentation of Cosmic Objects Based on Adaptive Thresholding and Back Propagation Neural Network [0.0]
本稿では,適応閾値法(ATM)に基づくセグメンテーションと,BPNNに基づく宇宙物体検出を提案する。本稿では、ATMとBPNNを用いて天体の分類と検出を行う方法について述べる。
論文参考訳（メタデータ） (2023-08-02T04:02:46Z)
O-type Stars Stellar Parameter Estimation Using Recurrent Neural Networks [0.0]
これまでの研究では、恒星モデルに適合する信頼性の高い方法を確立するために、機械学習とディープラーニングのアルゴリズムのセットを比較した。本稿では,ニューラルネットワークの観点から,個々の物理パラメータを推定する方法について述べる。 3つの異なるリカレントニューラルネットワークシステムの開発、恒星スペクトルモデルを用いたトレーニングプロセス、9つの異なる観測された恒星スペクトルに対するテスト、および過去の研究における推定との比較について述べる。
論文参考訳（メタデータ） (2022-10-23T17:18:52Z)
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)
The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文参考訳（メタデータ） (2021-12-19T15:17:20Z)
Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文参考訳（メタデータ） (2021-08-16T11:52:08Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
Variational Inference for Deblending Crowded Starfields [0.8471366736328809]
本稿では,混み合った星場の天体画像のソースを損なうベイズ的手法であるStarNetを提案する。 M2球状星団のSDSS画像を用いた実験では、スターネットは2つの競合する手法よりもかなり精度が高い。
論文参考訳（メタデータ） (2021-02-04T04:36:58Z)
StarcNet: Machine Learning for Star Cluster Identification [21.804465402347027]
StarcNetは畳み込みニューラルネットワーク(CNN)であり、LEGUS銀河の画像における星団分類の精度は68.6%(4クラス)/86.0%(2クラス:クラスター/クラスター)で、人間の専門家のパフォーマンスとほぼ一致する。我々は、トレーニングセットに含まれない銀河に事前訓練されたcnnモデルを適用することで、starcnetの性能をテストする。恒星団の光度、色、物理的特性は、ヒトおよびml分類標本に類似している。
論文参考訳（メタデータ） (2020-12-16T23:58:01Z)

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。