論文の概要: Asteroid shape inversion with light curves using deep learning

• arxiv url: http://arxiv.org/abs/2502.16455v1
• Date: Sun, 23 Feb 2025 06:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:55:31.748681
• Title: Asteroid shape inversion with light curves using deep learning
• Title（参考訳）: 深層学習を用いた光曲線による小惑星形状インバージョン
• Authors: YiJun Tang, ChenChen Ying, ChengZhe Xia, XiaoMing Zhang, XiaoJun Jiang,
• Abstract要約: 光度データを用いた小惑星の形状インバージョンは、惑星科学や天文学研究において重要な研究領域となっている。 現在の小惑星の逆転法では、広範囲な反復計算が必要であり、この過程は時間を要し、局所的な最適化では立ち往生する傾向にある。
• 参考スコア（独自算出の注目度）: 3.3092495155976143
• License:
• Abstract: Asteroid shape inversion using photometric data has been a key area of study in planetary science and astronomical research.However, the current methods for asteroid shape inversion require extensive iterative calculations, making the process time-consuming and prone to becoming stuck in local optima. We directly established a mapping between photometric data and shape distribution through deep neural networks. In addition, we used 3D point clouds to represent asteroid shapes and utilized the deviation between the light curves of non-convex asteroids and their convex hulls to predict the concave areas of non-convex asteroids. We compared the results of different shape models using the Chamfer distance between traditional methods and ours and found that our method performs better, especially when handling special shapes. For the detection of concave areas on the convex hull, the intersection over union (IoU) of our predictions reached 0.89. We further validated this method using observational data from the Lowell Observatory to predict the convex shapes of the asteroids 3337 Milo and 1289 Kuta, and conducted light curve fitting experiments. The experimental results demonstrated the robustness and adaptability of the method
• Abstract（参考訳）: 光度データを用いた小惑星形状の逆転は、惑星科学や天文学研究において重要な研究領域であるが、現在の小惑星形状の逆転法は広範な反復計算を必要とするため、この過程は時間を要するため、局所的な最適化では立ち往生する傾向にある。 我々は、深層ニューラルネットワークによる測光データと形状分布のマッピングを直接確立した。 さらに, 小惑星の形状を表すために3次元点雲を用い, 非凸小惑星の光曲線とその凸殻との偏差を利用して非凸小惑星の凹部を予測した。 従来の手法と我々の手法とのチャムファー距離を用いて,異なる形状モデルの結果を比較し,特に特殊形状を扱う場合,本手法が優れていることを確認した。 コンベックス船体上の凹部を検出するため, 予測値の結合(IoU)は0.89。 さらに、ローウェル天文台の観測データを用いて、小惑星3337 Miloと1289 Kutaの凸形状を予測し、光曲線フィッティング実験を行った。 実験結果から, 本手法のロバスト性および適応性について検証した。

関連論文リスト

• ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
  荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。 累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。 その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-04T02:44:27Z)
• Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
  我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。 我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。 本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-06-06T07:34:58Z)
• Galaxy 3D Shape Recovery using Mixture Density Network [0.6597195879147557]
  共通の内在的形状回復法は、運動軸と形態軸の内在的不整合と三軸性パラメータとの間に期待される単調な関係に依存する。 近年の研究では、形状と内在的な運動的不整合に関する基礎的な仮定に疑問が投げかけられている。 我々は、混合密度ネットワーク(MDN)を用いた教師付き機械学習手法を用いて、個々の銀河の3次元形状を復元する。
  論文  参考訳（メタデータ） (2024-04-06T03:48:11Z)
• Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
  本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。 我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
  論文  参考訳（メタデータ） (2024-02-29T07:26:23Z)
• Computing Transiting Exoplanet Parameters with 1D Convolutional Neural Networks [0.0]
  2つの1次元畳み込みニューラルネットワークモデルが提示される。 1つのモデルは完全な光曲線で動作し、軌道周期を推定する。 もう1つは位相折りたたみ光曲線を演算し、軌道の半主軸と惑星と恒星の半径比の正方形を推定する。
  論文  参考訳（メタデータ） (2024-02-21T10:17:23Z)
• One-dimensional Convolutional Neural Networks for Detecting Transiting Exoplanets [39.58317527488534]
  我々は、異なる望遠鏡とサーベイから得られる光曲線のトランジットを検出することができる人工ニューラルネットワークモデルを開発した。 我々は1次元畳み込みニューラルネットワークモデルを訓練し、検証するために、ケプラー望遠鏡(K2)の延長ミッションに期待されるものを模した人工光曲線を作成しました。
  論文  参考訳（メタデータ） (2023-12-12T10:56:27Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations [68.0524382279567]
  3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
  論文  参考訳（メタデータ） (2021-10-08T04:08:31Z)
• Exoplanet Detection using Machine Learning [0.0]
  トランジット法を用いて外惑星を検出する機械学習に基づく新しい手法を提案する。 ケプラーのデータでは、AUCが0.948である惑星を予測できるため、真の惑星信号の94.8%が非惑星信号よりも高い位置にある。 トランジット系外惑星探査衛星(TESS)のデータでは、我々の方法では光曲線を0.98の精度で分類することができ、0.82のリコールで惑星を0.63の精度で識別できることがわかった。
  論文  参考訳（メタデータ） (2020-11-28T14:06:39Z)
• 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。