論文の概要: Radio U-Net: a convolutional neural network to detect diffuse radio sources in galaxy clusters and beyond

• arxiv url: http://arxiv.org/abs/2408.10871v1
• Date: Tue, 20 Aug 2024 14:03:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 13:25:13.755839
• Title: Radio U-Net: a convolutional neural network to detect diffuse radio sources in galaxy clusters and beyond
• Title（参考訳）: 電波U-Net:銀河団等における拡散電波源を検出する畳み込みニューラルネットワーク
• Authors: Chiara Stuardi, Claudio Gheller, Franco Vazza, Andrea Botteon,
• Abstract要約: 拡散源の電波干渉画像は画像分割作業の課題を示す。 U-Netアーキテクチャに基づく完全畳み込みニューラルネットワークであるRadio U-Netを紹介する。 Radio U-Netは、ラジオサーベイで暗く拡張されたソースを検出するように設計されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The forthcoming generation of radio telescope arrays promises significant advancements in sensitivity and resolution, enabling the identification and characterization of many new faint and diffuse radio sources. Conventional manual cataloging methodologies are anticipated to be insufficient to exploit the capabilities of new radio surveys. Radio interferometric images of diffuse sources present a challenge for image segmentation tasks due to noise, artifacts, and embedded radio sources. In response to these challenges, we introduce Radio U-Net, a fully convolutional neural network based on the U-Net architecture. Radio U-Net is designed to detect faint and extended sources in radio surveys, such as radio halos, relics, and cosmic web filaments. Radio U-Net was trained on synthetic radio observations built upon cosmological simulations and then tested on a sample of galaxy clusters, where the detection of cluster diffuse radio sources relied on customized data reduction and visual inspection of LOFAR Two Metre Sky Survey (LoTSS) data. The 83% of clusters exhibiting diffuse radio emission were accurately identified, and the segmentation successfully recovered the morphology of the sources even in low-quality images. In a test sample comprising 246 galaxy clusters, we achieved a 73% accuracy rate in distinguishing between clusters with and without diffuse radio emission. Our results establish the applicability of Radio U-Net to extensive radio survey datasets, probing its efficiency on cutting-edge high-performance computing systems. This approach represents an advancement in optimizing the exploitation of forthcoming large radio surveys for scientific exploration.
• Abstract（参考訳）: 次世代の電波望遠鏡アレイは感度と分解能の大幅な進歩を約束し、多くの新しい暗く拡散した電波源の識別と特徴付けを可能にしている。 従来の手動カタログ作成手法は,新しい無線測量の能力を利用するには不十分であると期待されている。 拡散音源の電波干渉画像は、ノイズ、アーティファクト、埋め込み電波源による画像分割の課題を示す。 これらの課題に対応するために、U-Netアーキテクチャに基づいた完全な畳み込みニューラルネットワークであるRadio U-Netを紹介する。 無線U-Netは、無線ハロ、遺物、宇宙のウェブフィラメントなどの電波調査において、暗く拡張されたソースを検出するように設計されている。 電波U-Netは、宇宙学的なシミュレーションに基づいて合成電波観測を訓練し、銀河団のサンプルでテストし、そこでは、クラスター拡散電波源の検出は、LOFAR Two Metre Sky Survey (LOTSS)データのカスタマイズされたデータ削減と視覚検査に頼っていた。 拡散電波放射を示すクラスターの83%を精度良く同定し,低画質画像においてもその源の形態を復元することができた。 246個の銀河団からなる試験試料において, 拡散放射を伴わないクラスターの識別において, 73%の精度を達成した。 この結果から,無線U-Netの無線サーベイデータセットへの適用性が確立され,最先端の高性能コンピューティングシステムにおける効率性が検証された。 このアプローチは、科学探査のための大型ラジオサーベイの活用を最適化する進歩を表している。

関連論文リスト

• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。 第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。 第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Supervised Radio Frequency Interference Detection with SNNs [25.08630315149258]
  電波干渉(Radio Frequency Interference、RFI)は、電波望遠鏡によって観測される観測を妨害し、地球や天体から発生する電波天文学において重要な課題である。 電波天文学観測の動的・時間的性質を考えると、スパイキングニューラルネットワーク(SNN)は有望なアプローチとして出現する。 SNN推論のための電波可視データの符号化について,レート,レイテンシ,デルタ変調,ステップフォワードアルゴリズムの3つのバリエーションを考慮した6つの符号化方式について検討した。
  論文  参考訳（メタデータ） (2024-06-10T07:49:51Z)
• Classification of compact radio sources in the Galactic plane with supervised machine learning [0.0]
  我々は、無線画像と赤外線画像の両方を入力として、ギャラクティック平面におけるコンパクトな電波源の分類に着目する。 この目的のために、我々は、異なる天文学クラスからなるコンパクトなソースの2万の画像をキュレートしたデータセットを作成しました。 実装されたツールと訓練されたモデルが公開され、将来の応用のために電波天文学コミュニティで利用可能になった。
  論文  参考訳（メタデータ） (2024-02-23T09:47:42Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Advances on the classification of radio image cubes [4.443085464476228]
  現代の電波望遠鏡は、Square Kilometre Array (SKA)のようなシステムのために、毎日エクサバイト規模のデータセットを生成する。 大量データセットは、発見につながる未知の、希少な天体物理学現象の源泉である。 近年、電波天文学における人工知能の利用に焦点を当てた科学出版物が急増している。
  論文  参考訳（メタデータ） (2023-05-05T11:15:37Z)
• Look, Radiate, and Learn: Self-Supervised Localisation via Radio-Visual Correspondence [1.6219158909792257]
  次世代の携帯電話ネットワークは、無線センシング機能と慣用通信を実装している。 我々は、無線の正確な位置決めを容易にする合成無線視覚データセットとベンチマークであるMaxRayを提示する。 無線ローカライザネットワークのトレーニングには,このような自己監督座標を用いる。
  論文  参考訳（メタデータ） (2022-06-13T19:08:36Z)
• Radio-Assisted Human Detection [61.738482870059805]
  本稿では,無線情報を最先端検出手法に組み込んだ無線支援人体検知フレームワークを提案する。 我々は、人検出を支援するために、無線信号から無線の局部化と識別情報を抽出する。 シミュレーション可能なMicrosoft COCOデータセットとCaltechの歩行者データセットの実験では、平均平均精度(mAP)とミスレートが、無線情報を用いて改善できることが示されている。
  論文  参考訳（メタデータ） (2021-12-16T09:53:41Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。