Fugu-MT 論文翻訳(概要): Temporal Stamp Classifier: Classifying Short Sequences of Astronomical Alerts

論文の概要: Temporal Stamp Classifier: Classifying Short Sequences of Astronomical Alerts

arxiv url: http://arxiv.org/abs/2405.15073v1
Date: Thu, 23 May 2024 21:49:32 GMT
ステータス: 処理完了
システム内更新日: 2024-05-27 18:57:45.400334
Title: Temporal Stamp Classifier: Classifying Short Sequences of Astronomical Alerts
Title（参考訳）: テンポラルスタンプ分類器:天文学的アラートの短いシーケンスを分類する
Authors: Daniel Neira O., Pablo A. Estévez, Francisco Förster,
Abstract要約: 本研究では,ZTF (Zwicky Transient Facility) 調査で報告された警報を用いた天体の深層学習に基づく分類モデルを提案する。このモデルは、各アラートに含まれるスタンプイメージとメタデータのシーケンスと、All-WISEカタログの特徴を入力として扱う。提案モデルでは, 約98%の精度で3種類の天体を識別できる。
参考スコア（独自算出の注目度）: 0.6144680854063939
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work, we propose a deep learning-based classification model of astronomical objects using alerts reported by the Zwicky Transient Facility (ZTF) survey. The model takes as inputs sequences of stamp images and metadata contained in each alert, as well as features from the All-WISE catalog. The proposed model, called temporal stamp classifier, is able to discriminate between three classes of astronomical objects: Active Galactic Nuclei (AGN), Super-Novae (SNe) and Variable Stars (VS), with an accuracy of approximately 98% in the test set, when using 2 to 5 detections. The results show that the model performance improves with the addition of more detections. Simple recurrence models obtain competitive results with those of more complex models such as LSTM.We also propose changes to the original stamp classifier model, which only uses the first detection. The performance of the latter model improves with changes in the architecture and the addition of random rotations, achieving a 1.46% increase in test accuracy.
Abstract（参考訳）: 本研究では,ZTF (Zwicky Transient Facility) 調査で報告された警報を用いて,天体の深層学習に基づく分類モデルを提案する。このモデルは、各アラートに含まれるスタンプイメージとメタデータのシーケンスと、All-WISEカタログの特徴を入力として扱う。提案したモデルは、時間スタンプ分類器と呼ばれ、2～5回の検出で約98%の精度で、アクティブ銀河核(AGN)、スーパーヌーバ(SNe)、可変星(VS)の3種類の天体を識別することができる。その結果、モデルの性能は、より多くの検出を追加することで向上することが示された。簡単な再帰モデルではLSTMのようなより複雑なモデルと競合する結果が得られるが、最初の検出のみを使用するオリジナルのスタンプ分類器モデルの変更も提案する。後者のモデルの性能はアーキテクチャの変更とランダムな回転の追加によって改善され、テスト精度は1.46%向上した。

関連論文リスト

AstroM$^3$: A self-supervised multimodal model for astronomy [0.0]
本稿では,モデルが複数のモーダルから同時に学習できる自己教師型事前学習手法AstroM$3$を提案する。具体的には、CLIP(Contrastive Language- Image Pretraining)モデルをトリモーダル設定に拡張し、時系列測光データ、スペクトル、天体物理メタデータの統合を可能にする。以上の結果から,CLIP事前学習により時系列光度測定の分類性能が向上し,精度が84.6%から91.5%に向上した。
論文参考訳（メタデータ） (2024-11-13T18:20:29Z)
Identifying Light-curve Signals with a Deep Learning Based Object Detection Algorithm. II. A General Light Curve Classification Framework [0.0]
弱教師付き物体検出モデルを用いて光曲線を分類するための新しいディープラーニングフレームワークを提案する。本フレームワークは,光曲線とパワースペクトルの両方に最適なウィンドウを自動同定し,対応するデータにズームインする。我々は、変動星と過渡星の宇宙と地上の両方のマルチバンド観測から得られたデータセットに基づいてモデルを訓練する。
論文参考訳（メタデータ） (2023-11-14T11:08:34Z)
t-RAIN: Robust generalization under weather-aliasing label shift attacks [0.0]
自動車のマルチウェザー分類におけるラベルシフトの影響を解析する。大規模生成モデルを用いた合成データ拡張のための類似度マッピング手法としてt-RAINを提案する。本稿では,82.69 AP (雪) と62.31 AP (霧) が最適である実地および合成気象領域の歩行者検出結果について述べる。
論文参考訳（メタデータ） (2023-05-15T02:05:56Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文参考訳（メタデータ） (2023-03-20T16:28:15Z)
Anomaly Detection via Multi-Scale Contrasted Memory [3.0170109896527086]
マルチスケールの標準プロトタイプをトレーニング中に記憶し,異常偏差値を計算する2段階の異常検出器を新たに導入する。 CIFAR-10の誤差相対改善率を最大35%とすることにより,多種多様なオブジェクト,スタイル,局所異常に対する最先端性能を高い精度で向上させる。
論文参考訳（メタデータ） (2022-11-16T16:58:04Z)
On Model Calibration for Long-Tailed Object Detection and Instance Segmentation [56.82077636126353]
NorCal, Normalized for long-tailed object detection and instance segmentation。バックグラウンドクラスを個別に扱い、各提案のクラスに対してスコアを正規化することは、優れたパフォーマンスを達成するための鍵であることを示す。
論文参考訳（メタデータ） (2021-07-05T17:57:20Z)
When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。精度を向上させるために,2つの軽量モジュールを提案する。 DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。 QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文参考訳（メタデータ） (2021-05-27T13:51:42Z)
Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文参考訳（メタデータ） (2021-03-23T19:45:26Z)
Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。我々は,再建基準の代替として,異常スコアの代替尺度を提案した。提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文参考訳（メタデータ） (2020-03-24T08:26:58Z)
Pulsars Detection by Machine Learning with Very Few Features [5.598468451834693]
パルサー検出のための機械学習(ML)手法に基づくスキームの検討は活発なトピックである。検出性能を向上させるためには,MLモデルへの入力特徴を具体的に検討する必要がある。
論文参考訳（メタデータ） (2020-02-20T01:26:42Z)

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。