論文の概要: Photometry of Saturated Stars with Machine Learning

• arxiv url: http://arxiv.org/abs/2404.15405v1
• Date: Tue, 23 Apr 2024 18:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 20:19:09.498080
• Title: Photometry of Saturated Stars with Machine Learning
• Title（参考訳）: 機械学習による飽和星の測光
• Authors: Dominek Winecki, Christopher S. Kochanek,
• Abstract要約: All-Sky Automated Survey for Supernovae (ASAS-SN)における飽和星の測光のために開発されたディープニューラルネットワーク(DNN) DNNは、G=4から14マグまでの恒星の非偏光度を0.12マグの分散(中央値の15%-85%の1シグマの範囲)で得ることができる。 非可変飽和星の光曲線は0.037マグの中央分散しか持たない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a deep neural network (DNN) to obtain photometry of saturated stars in the All-Sky Automated Survey for Supernovae (ASAS-SN). The DNN can obtain unbiased photometry for stars from g=4 to 14 mag with a dispersion (15%-85% 1sigma range around median) of 0.12 mag for saturated (g<11.5 mag) stars. More importantly, the light curve of a non-variable saturated star has a median dispersion of only 0.037 mag. The DNN light curves are, in many cases, spectacularly better than provided by the standard ASAS-SN pipelines. While the network was trained on g band data from only one of ASAS-SN's 20 cameras, initial experiments suggest that it can be used for any camera and the older ASAS-SN V band data as well. The dominant problems seem to be associated with correctable issues in the ASAS-SN data reduction pipeline for saturated stars more than the DNN itself. The method is publicly available as a light curve option on ASAS-SN Sky Patrol v1.0.
• Abstract（参考訳）: 超新星のためのオールスカイオートマチックサーベイ(ASAS-SN)において、飽和星の測光を行うディープニューラルネットワーク(DNN)を開発した。 DNNは、飽和(g<11.5 Mag)星に対して0.12マグの分散(15%-85%の1シグマの範囲)を持つg=4から14マグまでの恒星の非偏光度を求めることができる。 さらに重要なことに、変光星の光度曲線は0.037マグの中央分散しか持たない。 DNNの光度曲線は、多くの場合、標準ASAS-SNパイプラインよりも驚くほど良い。 ネットワークはASAS-SNの20台のカメラのうちの1台のみからgバンドのデータに基づいて訓練されたが、最初の実験では任意のカメラと古いASAS-SN Vのバンドデータにも使用できることが示唆された。 主な問題は、DNN自体よりも飽和星のASAS-SNデータ削減パイプラインの修正可能な問題と関連しているようである。 この方法はASAS-SN Sky Patrol v1.0で光曲線オプションとして公開されている。

関連論文リスト

• Self-supervised learning for radio-astronomy source classification: a benchmark [7.242380808853482]
  近日発売のスクエア・キロメーター・アレイ(SKA)望遠鏡は、電波天文学において重要な一歩を踏み出した。 光写真画像に事前訓練された従来の視覚モデルは、電波干渉画像では最適に動作しない可能性がある。 本研究では,ラジオ天文学へのセルフ・スーパーバイザード・ラーニングの適用について検討する。
  論文  参考訳（メタデータ） (2024-11-21T12:43:19Z)
• PICZL: Image-based Photometric Redshifts for AGN [1.5194351731792657]
  本稿では,CNNのアンサンブルを利用した機械学習アルゴリズムであるPICZLを紹介する。 PICZLは、画像とカタログレベルのデータから得られる画像の異なるSED特徴を統合する。 8098 AGNの検証サンプルでは、PICZLは分散$sigma_textrmNMAD$4.5%、外れ値$eta$5.6%を達成する。
  論文  参考訳（メタデータ） (2024-11-11T19:01:08Z)
• MEFLUT: Unsupervised 1D Lookup Tables for Multi-exposure Image Fusion [55.0571315141482]
  高品質マルチ露光画像融合(MEF)のための新しいアプローチを提案する。 露光の融合重量を1次元ルックアップテーブル(LUT)に符号化できることを示す。 露光ごとに1D LUTを学習し、異なる露光から得られるすべてのピクセルが、高品質で効率的な融合のために独立してその露光の1D LUTをクエリできる。
  論文  参考訳（メタデータ） (2023-09-21T07:43:03Z)
• Local primordial non-Gaussianity from the large-scale clustering of photometric DESI luminous red galaxies [5.534428269834764]
  我々は、Dark Energy Spectroscopic Instruments(DESI)による局所原始非ガウス性パラメータ$fnl$を制約するために、光赤銀河の角度クラスタリングを用いる。 このサンプルは1200万以上の目標からなり、空の14,000平方度をカバーし、赤方偏移は0.2 z 1.35$である。 我々は, 銀河の絶滅, 調査深度, 天体観測を系統的誤りの主な原因とみなし, 大規模での非宇宙的余剰クラスタリングを緩和するために線形回帰と人工ニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2023-07-04T14:49:23Z)
• Segment Any Point Cloud Sequences by Distilling Vision Foundation Models [55.12618600523729]
  Sealは、さまざまな自動車のポイントクラウドシーケンスをセグメント化するためのビジョンファウンデーションモデル(VFM)を利用するフレームワークである。 Sealはスケーラビリティ、一貫性、一般化性という3つの魅力的な特性を示している。
  論文  参考訳（メタデータ） (2023-06-15T17:59:54Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• NP-Match: Towards a New Probabilistic Model for Semi-Supervised Learning [86.60013228560452]
  半教師付き学習(SSL)は近年広く研究されており、ラベルのないデータを活用する効果的な方法である。 本研究では,ニューラルネットワーク(NP)を半教師付き画像分類タスクに調整し,NP-Matchと呼ばれる新しい手法を提案する。 NP-Matchは、予測を行う際のデータポイントを暗黙的に比較し、その結果、ラベル付けされていない各データポイントの予測がラベル付きデータポイントに影響される。
  論文  参考訳（メタデータ） (2023-01-31T11:44:45Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• AGNet: Weighing Black Holes with Deep Learning [2.4522011090845846]
  超大質量ブラックホール (SMBHs) は、ほとんどの銀河の中心に自在に存在する。 従来の方法では、収集に費用がかかる分光データを必要とする。 準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-17T16:45:11Z)
• Self Sparse Generative Adversarial Networks [73.590634413751]
  GAN(Generative Adversarial Networks)は、敵対的トレーニングを通じてデータ分布を学習する監視されていない生成モデルである。 本論文では,パラメータ空間を小さくし,ゼロ勾配問題を軽減するSelf Sparse Generative Adversarial Network (Self-Sparse GAN)を提案する。
  論文  参考訳（メタデータ） (2021-01-26T04:49:12Z)
• AGNet: Weighing Black Holes with Machine Learning [2.598391092244943]
  超大質量ブラックホール(SMBHs)は、ほとんどの銀河の中心に自在に存在する。 従来の手法では、収集に費用がかかるスペクトルデータが必要である。 準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-30T18:30:24Z)

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。