論文の概要: Detecting Moving Objects With Machine Learning
- arxiv url: http://arxiv.org/abs/2405.06148v1
- Date: Fri, 10 May 2024 00:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-13 17:06:55.282688
- Title: Detecting Moving Objects With Machine Learning
- Title（参考訳）: 機械学習による移動物体の検出
- Authors: Wesley C. Fraser,
- Abstract要約: 本章では、天体画像中の移動物体を見つけるための機械学習技術の使用について概説する。
オーバーフィッティング(overfitting)の重要な問題についての議論を含む、機械学習技術の使用に関するさまざまな落とし穴について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The scientific study of the Solar System's minor bodies ultimately starts with a search for those bodies. This chapter presents a review of the use of machine learning techniques to find moving objects, both natural and artificial, in astronomical imagery. After a short review of the classical non-machine learning techniques that are historically used, I review the relatively nascent machine learning literature, which can broadly be summarized into three categories: streak detection, detection of moving point sources in image sequences, and detection of moving sources in shift and stack searches. In most cases, convolutional neural networks are utilized, which is the obvious choice given the imagery nature of the inputs. In this chapter I present two example networks: a Residual Network I designed which is in use in various shift and stack searches, and a convolutional neural network that was designed for prediction of source brightnesses and their uncertainties in those same shift-stacks. In discussion of the literature and example networks, I discuss various pitfalls with the use of machine learning techniques, including a discussion on the important issue of overfitting. I discuss various pitfall associated with the use of machine learning techniques, and what I consider best practices to follow in the application of machine learning to a new problem, including methods for the creation of robust training sets, validation, and training to avoid overfitting.
- Abstract（参考訳）: 太陽系の小さな天体の科学的研究は、最終的にこれらの天体の探索から始まる。
本章では、天文画像において、自然と人工の両方の移動物体を見つけるための機械学習技術の使用についてレビューする。
歴史的に使われている古典的非機械的学習手法の短いレビューの後、比較的新しい機械学習文献を概観し、ストリーク検出、画像シーケンスにおける移動点源の検出、シフトとスタック検索における移動点源の検出の3つのカテゴリにまとめる。
ほとんどの場合、畳み込みニューラルネットワークが使用され、入力のイメージの性質を考えると明らかな選択である。
この章では、さまざまなシフトやスタック検索で使用されているResidual Network Iと、同じシフトスタックにおけるソース輝度とその不確実性を予測するために設計された畳み込みニューラルネットワークの2つの例を紹介します。
文献やサンプルネットワークの議論では、オーバーフィッティングの重要な問題など、機械学習技術を用いた様々な落とし穴について論じる。
機械学習技術の使用に伴うさまざまな落とし穴や、堅牢なトレーニングセットの作成方法、検証方法、過度な適合を避けるためのトレーニング方法など、新しい問題への機械学習の適用におけるベストプラクティスについて論じます。
関連論文リスト
- Machine-learning-assisted construction of appropriate rotating frame [0.0]
本稿では,機械学習を用いた解析手法を提案する。
我々は、リカレントニューラルネットワークがFloquet-Magnus拡張を導出できることを実証する。
また,本手法は,他のシステムにおける理論的枠組みの発見にも適用可能であると論じる。
論文 参考訳（メタデータ） (2022-11-28T12:49:47Z) - A Machine Learning Tutorial for Operational Meteorology, Part II: Neural
Networks and Deep Learning [0.0]
本稿では,操作的気象学的コミュニティを対象とした,平易な言語形式の機械学習手法について論じる。
これは、気象学者のための機械学習リソースとして機能することを目的とした2つ目の論文である。
具体的には、パーセプトロン、人工ニューラルネットワーク、畳み込みニューラルネットワーク、U-networksについて述べる。
論文 参考訳（メタデータ） (2022-10-31T21:10:48Z) - Predictive Coding: Towards a Future of Deep Learning beyond
Backpropagation? [41.58529335439799]
ディープニューラルネットワークのトレーニングに使用されるエラーアルゴリズムのバックプロパゲーションは、ディープラーニングの成功に不可欠である。
最近の研究は、このアイデアを、局所的な計算だけでニューラルネットワークを訓練できる汎用アルゴリズムへと発展させた。
等価ディープニューラルネットワークに対する予測符号化ネットワークの柔軟性が大幅に向上することを示す。
論文 参考訳（メタデータ） (2022-02-18T22:57:03Z) - Neural Fields in Visual Computing and Beyond [54.950885364735804]
機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。
ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。
本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
論文 参考訳（メタデータ） (2021-11-22T18:57:51Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Learning from Few Samples: A Survey [1.4146420810689422]
コンピュータビジョン領域における既存の数ショットメタ学習手法について,その手法と評価指標に基づいて検討する。
我々は、これらの技術のための分類法を提供し、それらをデータ拡張、埋め込み、最適化、セマンティクスに基づく学習に分類する。
論文 参考訳（メタデータ） (2020-07-30T14:28:57Z) - From Federated to Fog Learning: Distributed Machine Learning over
Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。
我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文 参考訳（メタデータ） (2020-06-07T05:11:18Z) - Deep Learning Techniques for Inverse Problems in Imaging [102.30524824234264]
機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。
異なる問題や再構築方法の分類に使用できる分類法を提案する。
論文 参考訳（メタデータ） (2020-05-12T18:35:55Z) - Adversarial Machine Learning in Network Intrusion Detection Systems [6.18778092044887]
ネットワーク侵入検知システムにおける逆問題の性質について検討する。
進化的計算(粒子群最適化と遺伝的アルゴリズム)と深層学習(生成的敵ネットワーク)を、敵対的サンプル生成のためのツールとして利用する。
我々の研究は、敵の摂動に直面した機械学習ベースのNIDSの脆弱性を強調している。
論文 参考訳（メタデータ） (2020-04-23T19:47:43Z)
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。