論文の概要: Machine learning-based classification for Single Photon Space Debris Light Curves

• arxiv url: http://arxiv.org/abs/2411.18231v1
• Date: Wed, 27 Nov 2024 11:08:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:25:16.866509
• Title: Machine learning-based classification for Single Photon Space Debris Light Curves
• Title（参考訳）: 単光子空間デブリ光曲線の機械学習による分類
• Authors: Nadine M. Trummer, Amit Reza, Michael A. Steindorfer, Christiane Helling,
• Abstract要約: この作業は、機械学習フレームワークを使用してSingle Photon Space Debrisを分類することを目的としている。 3つのタスクにモデルを適用し、個々のオブジェクトを分類し、起源に応じてグループ化されたオブジェクトを家族に分類し、一般的なタイプに分類する。 我々は、単一光子で捉えたスペースデブリLCの分類に成功し、90.7%の精度を得た。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The growing number of man-made debris in Earth's orbit poses a threat to active satellite missions due to the risk of collision. Characterizing unknown debris is, therefore, of high interest. Light Curves (LCs) are temporal variations of object brightness and have been shown to contain information such as shape, attitude, and rotational state. Since 2015, the Satellite Laser Ranging (SLR) group of Space Research Institute (IWF) Graz has been building a space debris LC catalogue. The LCs are captured on a Single Photon basis, which sets them apart from CCD-based measurements. In recent years, Machine Learning (ML) models have emerged as a viable technique for analyzing LCs. This work aims to classify Single Photon Space Debris using the ML framework. We have explored LC classification using k-Nearest Neighbour (k-NN), Random Forest (RDF), XGBoost (XGB), and Convolutional Neural Network (CNN) classifiers in order to assess the difference in performance between traditional and deep models. Instead of performing classification on the direct LCs data, we extracted features from the data first using an automated pipeline. We apply our models on three tasks, which are classifying individual objects, objects grouped into families according to origin (e.g., GLONASS satellites), and grouping into general types (e.g., rocket bodies). We successfully classified Space Debris LCs captured on Single Photon basis, obtaining accuracies as high as 90.7%. Further, our experiments show that the classifiers provide better classification accuracy with automated extracted features than other methods.
• Abstract（参考訳）: 地球の軌道上の人工の破片の増加は、衝突の危険性のために、衛星の活発なミッションに脅威をもたらす。 したがって、未知の破片を特徴付けることは高い関心事である。 光曲線(LC)は、物体の明るさの時間変化であり、形状、姿勢、回転状態などの情報を含むことが示されている。 2015年以降、宇宙研究所(IWF)のサテライト・レーザー・ラング(SLR)グループが宇宙デブリLCカタログを構築している。 LCは単一光子ベースで撮影され、CCDベースの測定とは分離される。 近年,機械学習モデル(ML)がLCを解析するための有効な技術として登場している。 この作業は、MLフレームワークを使用してSingle Photon Space Debrisを分類することを目的としている。 我々は,k-Nearest Neighbour (k-NN), Random Forest (RDF), XGBoost (XGB), Convolutional Neural Network (CNN)分類器を用いてLC分類を行い,従来のモデルと深層モデルの性能差を評価する。 直接LCデータの分類を行う代わりに、私たちはまず、自動パイプラインを使用してデータから特徴を抽出した。 我々は,各対象を分類し,起源(GLONASS衛星など)に応じて家族に分類し,一般型(ロケット本体など)に分類する3つのタスクにモデルを適用した。 我々は、単一光子で捉えたスペースデブリLCの分類に成功し、90.7%の精度を得た。 さらに, 分類器は, 自動抽出による分類精度が他の手法よりも優れていることを示した。

関連論文リスト

• ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST [0.3276793654637396]
  ORACLEは、時間的・変動的な天体物理学現象のリアルタイム・文脈的分類のための最初の階層的深層学習モデルである。 ORACLEは Gated Recurrent Units (GRU) を備えたリカレントニューラルネットワークである LSST Astronomical Time-Series Classification Challenge から$sim$0.5M のイベントをトレーニングし、1日の測光観測のみを用いて、最上位(過渡対可変)のマクロ平均精度 0.96 を達成した。
  論文  参考訳（メタデータ） (2025-01-02T19:00:05Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Improving Astronomical Time-series Classification via Data Augmentation with Generative Adversarial Networks [1.2891210250935146]
  本稿では,GAN(Generative Adrial Networks)に基づくデータ拡張手法を提案する。 変動星の分類精度は、合成データによるトレーニングや実データによるテストで著しく向上する。
  論文  参考訳（メタデータ） (2022-05-13T16:39:54Z)
• Zero-phase angle asteroid taxonomy classification using unsupervised machine learning algorithms [0.0]
  我々は、位相角の変化の影響を受けない大きさに基づいて、小惑星の分類を新たに作成する。 我々はファジィC平均と呼ばれる教師なし機械学習アルゴリズムを用いて分類を行った。 V型小惑星候補15種をヴェスタ族領域外から同定した。
  論文  参考訳（メタデータ） (2022-04-11T13:24:54Z)
• Detection of extragalactic Ultra-Compact Dwarfs and Globular Clusters using Explainable AI techniques [1.3764085113103222]
  銀河を取り巻く超コンパクト小星(UCD)や球状星団(GC)のような小さな恒星系は、これらの銀河を形成する融合現象のトレーサーとして知られている。 ここでは、Fornax銀河団のマルチ波長イメージングデータを用いて、これらの物体を前景の星や背景銀河から6個のフィルターで分離する機械学習モデルを訓練する。 精度と93%のリコールでUDD/GCを識別でき、各特徴量%(色と角の大きさ)の重要性を反映した関連性を提供します。
  論文  参考訳（メタデータ） (2022-01-05T13:37:55Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• StarcNet: Machine Learning for Star Cluster Identification [21.804465402347027]
  StarcNetは畳み込みニューラルネットワーク(CNN)であり、LEGUS銀河の画像における星団分類の精度は68.6%(4クラス)/86.0%(2クラス:クラスター/クラスター)で、人間の専門家のパフォーマンスとほぼ一致する。 我々は、トレーニングセットに含まれない銀河に事前訓練されたcnnモデルを適用することで、starcnetの性能をテストする。 恒星団の光度、色、物理的特性は、ヒトおよびml分類標本に類似している。
  論文  参考訳（メタデータ） (2020-12-16T23:58:01Z)
• 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)

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。