Fugu-MT 論文翻訳(概要): XAMI -- A Benchmark Dataset for Artefact Detection in XMM-Newton Optical Images

論文の概要: XAMI -- A Benchmark Dataset for Artefact Detection in XMM-Newton Optical Images

arxiv url: http://arxiv.org/abs/2406.17323v2
Date: Fri, 13 Sep 2024 12:25:58 GMT
ステータス: 処理完了
システム内更新日: 2024-09-16 22:57:51.453171
Title: XAMI -- A Benchmark Dataset for Artefact Detection in XMM-Newton Optical Images
Title（参考訳）: XAMI -- XMM-Newton光画像におけるアーティファクト検出のためのベンチマークデータセット
Authors: Elisabeta-Iulia Dima, Pablo Gómez, Sandor Kruk, Peter Kretschmar, Simon Rosen, Călin-Adrian Popa,
Abstract要約: 我々は,XMM-Newton宇宙望遠鏡の光学モニタリングカメラから,異なる種類の人工物を示す画像のデータセットを提示する。自動ML手法のトレーニングに使用するアーティファクトで,1000枚の画像のサンプルを手書きした。我々は、畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのモデルの両方からの知識を組み合わせたハイブリッドアプローチを採用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reflected or scattered light produce artefacts in astronomical observations that can negatively impact the scientific study. Hence, automated detection of these artefacts is highly beneficial, especially with the increasing amounts of data gathered. Machine learning methods are well-suited to this problem, but currently there is a lack of annotated data to train such approaches to detect artefacts in astronomical observations. In this work, we present a dataset of images from the XMM-Newton space telescope Optical Monitoring camera showing different types of artefacts. We hand-annotated a sample of 1000 images with artefacts which we use to train automated ML methods. We further demonstrate techniques tailored for accurate detection and masking of artefacts using instance segmentation. We adopt a hybrid approach, combining knowledge from both convolutional neural networks (CNNs) and transformer-based models and use their advantages in segmentation. The presented method and dataset will advance artefact detection in astronomical observations by providing a reproducible baseline. All code and data are made available (https://github.com/ESA-Datalabs/XAMI-model and https://github.com/ESA-Datalabs/XAMI-dataset).
Abstract（参考訳）: 反射または散乱された光は、科学研究に悪影響を及ぼす可能性のある天文学的な観測で人工物を生成する。したがって、これらのアーティファクトの自動検出は、特に収集されるデータ量の増加によって、非常に有益である。機械学習の手法はこの問題に適しているが、現在、天文学的な観測で人工物を検出するためにそのようなアプローチを訓練する注釈付きデータが不足している。本稿では,XMM-Newton宇宙望遠鏡の光学モニタリングカメラから,さまざまな種類の人工物を示す画像のデータセットを提示する。自動ML手法のトレーニングに使用するアーティファクトで,1000枚の画像のサンプルを手書きした。さらに,実例分節を用いたアーティファクトの正確な検出とマスキングに適した手法を実証する。我々は、畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのモデルの両方からの知識を組み合わせて、ハイブリッドアプローチを採用し、セグメンテーションでそれらの利点を利用する。提案手法とデータセットは、再現可能なベースラインを提供することにより、天文観測におけるアーティファクト検出を促進する。すべてのコードとデータは利用可能である(https://github.com/ESA-Datalabs/XAMI-modelとhttps://github.com/ESA-Datalabs/XAMI-dataset)。

関連論文リスト

Spectral Image Data Fusion for Multisource Data Augmentation [44.99833362998488]
マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。機械学習タスクを実行できる無料データの量は比較的少ない。スペクトル画像の領域で開発された人工知能モデルは、固定されたスペクトルシグネチャを持つ入力画像を必要とする。
論文参考訳（メタデータ） (2024-04-05T13:40:18Z)
AltFreezing for More General Video Face Forgery Detection [138.5732617371004]
顔偽造検出のための1つのモデルにおいて,空間的および見えない時間的アーティファクトの両方をキャプチャすることを提案する。より一般的な顔偽造検出のためのAltFreezingと呼ばれる新しいトレーニング戦略を提案する。
論文参考訳（メタデータ） (2023-07-17T08:24:58Z)
RADiff: Controllable Diffusion Models for Radio Astronomical Maps Generation [6.128112213696457]
RADiffは、注釈付き無線データセット上でトレーニングされた条件拡散モデルに基づく生成的アプローチである。完全合成画像アノテーションペアを生成して,任意のアノテートデータセットを自動的に拡張できることを示す。
論文参考訳（メタデータ） (2023-07-05T16:04:44Z)
Synthetic Data-based Detection of Zebras in Drone Imagery [0.8249180979158817]
本稿では,人工データのみを用いて動物探知機を訓練する手法を提案する。データセットには、RGB、深さ、骨格関節位置、ポーズ、形状、各被験者のインスタンスセグメンテーションが含まれる。学習中に人工データのみを用いてゼブラを検出できることを示す。
論文参考訳（メタデータ） (2023-04-30T09:24:31Z)
Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。異なるタイプのクラスオーバーラップしたデータセットに適用することができる。初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文参考訳（メタデータ） (2022-11-01T18:07:21Z)
Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文参考訳（メタデータ） (2021-07-01T09:26:13Z)
Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文参考訳（メタデータ） (2021-03-04T06:31:06Z)
DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文参考訳（メタデータ） (2020-11-24T22:51:08Z)
DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文参考訳（メタデータ） (2020-10-02T13:59:05Z)
Quasar Detection using Linear Support Vector Machine with Learning From Mistakes Methodology [0.0]
超大質量ブラックホールが光の降着円盤に囲まれている非常に明るい物体であるクエーサーを検出するために、LSVM(Linear Support Vector Machine)を探索した。 LSVMとEnsemble Bagged Trees (EBT)はFalse Negative Rateの10倍の低下を示した。
論文参考訳（メタデータ） (2020-10-01T13:41:51Z)
Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文参考訳（メタデータ） (2020-04-23T17:32:19Z)

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。