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
- Local primordial non-Gaussianity from the large-scale clustering of
photometric DESI luminous red galaxies [7.76025188618253]
我々は、Dark Energy Spectroscopic Instruments(DESI)による局所原始的非ガウス性パラメータfNLの制限のために、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、14,000平方度に及ぶ空をカバーし、0.2 z 1.35の範囲で赤方偏移を観測した。
論文 参考訳(メタデータ) (2023-07-04T14:49:23Z) - 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) - NeRF applied to satellite imagery for surface reconstruction [5.027411102165872]
本稿では、最近導入されたシャドウニューラルレージアンスフィールド(S-NeRF)モデルの修正実装であるSurf-NeRFを提案する。
本手法は、画像中の光の変動を考慮しつつ、シーンの衛星画像の粗い集合から新規なビューを合成することができる。
トレーニングされたモデルは、しばしば衛星観測用途に望ましい量であるシーンの表面の標高を正確に推定するためにも使用できる。
論文 参考訳(メタデータ) (2023-04-09T01:37:13Z) - NoiSER: Noise is All You Need for Enhancing Low-Light Images Without
Task-Related Data [103.04999391668753]
タスク関連のトレーニングデータなしで、低照度画像を拡張できることが示される。
技術的には、アンダーラインノイズと呼ばれる新しい、魔法的で、効果的で効率的な方法を提案する。
我々のNoiSERは、量的および視覚的な結果の観点から、現在のタスク関連データに基づくLLIEモデルと非常に競合しています。
論文 参考訳(メタデータ) (2022-11-09T06:18:18Z) - Inferring Line-of-Sight Velocities and Doppler Widths from Stokes
Profiles of GST/NIRIS Using Stacked Deep Neural Networks [11.555819649702082]
我々はStokesプロファイルからLOS速度とドップラー幅を推定するための新しいディープラーニング手法である Stacked Deep Neural Networks (SDNN) を提案する。
SDNNのトレーニングデータは、ビッグベア太陽観測所(BBSO)が使用するMilne-Eddington (ME)インバージョンコードによって作成される。
我々は、SDNNを定量的に評価し、その逆解析結果とME反転符号と関連する機械学習(ML)アルゴリズムで得られた結果と比較する。
論文 参考訳(メタデータ) (2022-10-08T23:19:05Z) - 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) - Simple Baselines for Image Restoration [79.48718779396971]
本稿では,SOTA(State-of-the-art)法を超越した,計算効率の高い単純なベースラインを提案する。
我々は、ベースラインからActivation Free Network、すなわちNAFNetを導出する。
SOTAの結果は、GoProの33.69dB PSNR(画像劣化)、計算コストのわずか8.4%のSOTA 0.38dB、SIDDの40.30dB PSNR(画像劣化)、計算コストの半分未満のSOTA 0.28dBといった、様々な挑戦的なベンチマークで達成されている。
論文 参考訳(メタデータ) (2022-04-10T12:48:38Z) - Weakly-Supervised Cloud Detection with Fixed-Point GANs [6.675491069288519]
衛星画像中の雲を検出するための弱教師付きアプローチを提案する。
我々は、透明画像と曇り画像の間の固定点変換を学習するため、翻訳中に影響を受けるのは雲のみである。
本研究では,Landsat-8 Biomeクラウド検出データセットに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2021-11-23T13:46:02Z) - Fully Spiking Variational Autoencoder [66.58310094608002]
スパイキングニューラルネットワーク(SNN)は、超高速で超低エネルギー消費のニューロモルフィックデバイス上で動作することができる。
本研究では,SNNを用いた可変オートエンコーダ(VAE)を構築し,画像生成を実現する。
論文 参考訳(メタデータ) (2021-09-26T06:10:14Z) - PrivateSNN: Fully Privacy-Preserving Spiking Neural Networks [6.336941090564427]
PrivateSNNは、データセットに含まれる機密情報を漏洩することなく、トレーニング済みのANNモデルから低電力のスパイクニューラルネットワーク(SNN)を構築することを目指しています。
ANN-SNN変換プロセス中にネットワークが実際のトレーニングデータにアクセスする際に発生するデータ漏洩という2つのタイプのリーク問題に対処する。
データ漏洩問題に対処するため、事前訓練されたANNから合成画像を生成し、生成された画像を用いてANNをSNNに変換する。
我々は、暗号化された privatesnn は、大きな性能低下なしに実装できるだけでなく、かなりのエネルギーで実装できると観察する。
論文 参考訳(メタデータ) (2021-04-07T22:14:02Z) - Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。
本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。
角速度回帰を行うためにSNNをうまく訓練できることが示される。
論文 参考訳(メタデータ) (2020-03-05T17:37:16Z)
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。