論文の概要: Identification and Localization of Cometary Activity in Solar System Objects with Machine Learning
- arxiv url: http://arxiv.org/abs/2409.15261v1
- Date: Mon, 23 Sep 2024 17:56:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 13:43:14.930865
- Title: Identification and Localization of Cometary Activity in Solar System Objects with Machine Learning
- Title(参考訳): 機械学習を用いた太陽系天体の彗星活動の同定と位置推定
- Authors: Bryce T. Bolin, Michael W. Coughlin,
- Abstract要約: 本稿では,太陽系天体の彗星活動の同定と位置決定に機械学習を用いる方法について論じる。
まずは、恒星型源の存在下で、既知の、未知の、活動的な拡張された太陽系天体を特定することの課題について議論する。
次に、拡張オブジェクト識別の課題に対処するため、ML技術の実装に関する議論に移行する。
- 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: In this chapter, we will discuss the use of Machine Learning methods for the identification and localization of cometary activity for Solar System objects in ground and in space-based wide-field all-sky surveys. We will begin the chapter by discussing the challenges of identifying known and unknown active, extended Solar System objects in the presence of stellar-type sources and the application of classical pre-ML identification techniques and their limitations. We will then transition to the discussion of implementing ML techniques to address the challenge of extended object identification. We will finish with prospective future methods and the application to future surveys such as the Vera C. Rubin Observatory.
- Abstract(参考訳): 本章では,地上および宇宙における広域全スキーサーベイにおける太陽系天体の彗星活動の同定と局在化のための機械学習手法の活用について論じる。
本章では,恒星型天体の存在下での既知の未知の太陽系天体の同定と,古典的なML前識別技術の適用とその限界について論じる。
次に、拡張オブジェクト識別の課題に対処するため、ML技術の実装に関する議論に移行する。
我々は将来的な手法と、ヴェラ・C・ルービン天文台のような将来のサーベイへの適用を仕上げる。
関連論文リスト
- AI Foundation Model for Heliophysics: Applications, Design, and Implementation [1.2851259989174175]
ファンデーションモデル(FM)は、大規模なデータセットで事前トレーニングされている。
本報告では, 医療用FMの設計基準について概観する。
ヘリオフィジカル領域でFMを設計した最初の研究であると考えている。
論文 参考訳(メタデータ) (2024-09-30T15:48:28Z) - Large Language Models for Anomaly and Out-of-Distribution Detection: A Survey [18.570066068280212]
大規模言語モデル(LLM)は、自然言語処理だけでなく、より広範なアプリケーションでもその効果を実証している。
本調査は,LSMの文脈下での異常検出とOOD検出の問題点に焦点を当てた。
LLMが果たす役割に基づいて,既存のアプローチを2つのクラスに分類する新たな分類法を提案する。
論文 参考訳(メタデータ) (2024-09-03T15:22:41Z) - On the Element-Wise Representation and Reasoning in Zero-Shot Image Recognition: A Systematic Survey [82.49623756124357]
ゼロショット画像認識(ZSIR)は、目に見えない領域の認識と推論をモデルに与えることを目的としている。
本稿では,近年の素子ワイドZSIRの進歩について概説する。
まず、オブジェクト認識、合成認識、基礎モデルに基づくオープンワールド認識という3つの基本的なZSIRタスクを、統一された要素的視点に統合する。
論文 参考訳(メタデータ) (2024-08-09T05:49:21Z) - Learning Background Prompts to Discover Implicit Knowledge for Open Vocabulary Object Detection [101.15777242546649]
Open vocabulary Object Detection (OVD) は、ベースと新規の両方のカテゴリからオブジェクトを認識できる最適なオブジェクト検出器を求めることを目的としている。
近年の進歩は、知識蒸留を利用して、事前訓練された大規模視覚言語モデルからオブジェクト検出のタスクに洞察力のある知識を伝達している。
本稿では,暗黙的背景知識を活用するための学習バックグラウンドプロンプトを提案するため,LBPと呼ばれる新しいOVDフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-01T17:32:26Z) - Machine Unlearning for Traditional Models and Large Language Models: A Short Survey [11.539080008361662]
機械学習は、データを削除し、ユーザーの要求に応じてモデルへの影響を減らすことを目的としている。
本稿では,従来のモデルとLarge Language Models(LLMs)の両方の非学習を分類し,検討する。
論文 参考訳(メタデータ) (2024-04-01T16:08:18Z) - Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳(メタデータ) (2023-07-05T06:03:40Z) - Artificial intelligence to advance Earth observation: : A review of models, recent trends, and pathways forward [60.43248801101935]
本稿では、生のEOデータから使用可能なEOベースの情報への移行を通知し、支援する、重要な科学的ツールとアプローチについて、鳥の視点で説明する。
i)コンピュータビジョン, (ii) 機械学習, (iii) 高度な処理とコンピューティング, (iv) 知識ベースAI, (v) 説明可能なAIと因果推論, (vi) 物理認識モデル, (vii) ユーザ中心のアプローチ, (viii) EOにおけるML技術の大量使用に関する倫理的・社会的問題に関する議論の議論を網羅する。
論文 参考訳(メタデータ) (2023-05-15T07:47:24Z) - Deep Learning meets Liveness Detection: Recent Advancements and
Challenges [3.2011056280404637]
我々は,2017年以降の深部機能的FAS手法に関する文献を包括的に調査している。
本研究では,FASの時系列,進化過程,評価基準について概説する。
論文 参考訳(メタデータ) (2021-12-29T19:24:58Z) - Weakly Supervised Object Localization and Detection: A Survey [145.5041117184952]
オブジェクトのローカライゼーションと検出は、新しい世代のコンピュータビジョンシステムを開発する上で重要な役割を果たす。
本稿では,(1)古典的モデル,(2)既成の深層ネットワークの特徴表現を用いたアプローチ,(3)ディープラーニングのみに基づくアプローチ,(4)この分野で広く利用されている公開データセットと標準評価指標についてレビューする。
この分野における重要な課題、この分野の開発履歴、各カテゴリーの手法の利点/欠点、異なるカテゴリーの方法間の関係、弱い監督対象のローカリゼーションおよび検出方法の適用、およびこの研究分野の開発をさらに促進するための潜在的な将来の方向性について議論します。
論文 参考訳(メタデータ) (2021-04-16T06:44:50Z) - A Comprehensive Survey of Machine Learning Based Localization with
Wireless Signals [42.89359907212791]
本稿では,RF信号を用いた機械学習に基づくローカライズソリューションの包括的調査を行う。
本論文の主なポイントは、ローカリゼーションシステムの物理から生じるドメイン知識と、さまざまなMLアプローチとの相互作用である。
詳細な議論は、ローカリゼーションの問題に適用されたさまざまなMLメソッドに捧げられています。
論文 参考訳(メタデータ) (2020-12-21T08:10:46Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳(メタデータ) (2020-06-22T19:01:21Z)
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。