論文の概要: Using machine learning method for variable star classification using the TESS Sectors 1-57 data

• arxiv url: http://arxiv.org/abs/2504.00347v1
• Date: Tue, 01 Apr 2025 01:58:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:18:35.717970
• Title: Using machine learning method for variable star classification using the TESS Sectors 1-57 data
• Title（参考訳）: TESSセクタ1-57データを用いた可変星分類のための機械学習手法
• Authors: Li-Heng Wang, Kai Li, Xiang Gao, Ya-Ni Guo, Guo-You Sun,
• Abstract要約: トランジット太陽系外惑星探査衛星(Transiting Exoplanet Survey Satellite, TESS)は、地球規模の太陽系外惑星を検出するために設計された全天球探査衛星である。 約1,050,000光度曲線と2分間の周期を含む1～57セクターのデータを収集した。 データをガイアの可変星カタログと交差マッチングすることで、さらなる分析のためにラベル付きデータセットを得た。 我々は6046 EA, 3859 EW, 2058 CEP, 8434 DSCT, 482 RRab, 416 RRc, 9694 ROTを取得し, 新たに14092個の変光星を発見した。
• 参考スコア（独自算出の注目度）: 8.98100769752098
• License:
• Abstract: The Transiting Exoplanet Survey Satellite (TESS) is a wide-field all-sky survey mission designed to detect Earth-sized exoplanets. After over four years photometric surveys, data from sectors 1-57, including approximately 1,050,000 light curves with a 2-minute cadence, were collected. By cross-matching the data with Gaia's variable star catalogue, we obtained labeled datasets for further analysis. Using a random forest classifier, we performed classification of variable stars and designed distinct classification processes for each subclass, 6770 EA, 2971 EW, 980 CEP, 8347 DSCT, 457 RRab, 404 RRc and 12348 ROT were identified. Each variable star was visually inspected to ensure the reliability and accuracy of the compiled catalog. Subsequently, we ultimately obtained 6046 EA, 3859 EW, 2058 CEP, 8434 DSCT, 482 RRab, 416 RRc, and 9694 ROT, and a total of 14092 new variable stars were discovered.
• Abstract（参考訳）: トランジット太陽系外惑星探査衛星(Transiting Exoplanet Survey Satellite, TESS)は、地球規模の太陽系外惑星を検出するために設計された全天球探査衛星である。 4年以上にわたる測光調査の結果、約1,050,000光度曲線と2分間の周期を含む1-57セクターのデータが得られた。 データをガイアの可変星カタログと交差マッチングすることで、さらなる分析のためにラベル付きデータセットを得た。 ランダムな森林分類器を用いて、変光星の分類を行い、6770 EA, 2971 EW, 980 CEP, 8347 DSCT, 457 RRab, 404 RRc, 12348 ROTの各サブクラスの異なる分類過程を設計した。 各変光星は、コンパイルされたカタログの信頼性と精度を確保するために視覚的に検査された。 その後、最終的に6046 EA, 3859 EW, 2058 CEP, 8434 DSCT, 482 RRab, 416 RRc, 9694 ROTとなり、新たに14092個の変光星が発見された。

関連論文リスト

• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチ時間データセットであるSpectralEarthを紹介する。 我々は、最先端の自己教師付き学習(SSL)アルゴリズムを用いて、SpectralEarthの一連の基礎モデルを事前訓練する。 我々は、土地被覆と収穫型マッピングのための4つの下流データセットを構築し、モデル評価のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Whole-body Detection, Recognition and Identification at Altitude and Range [57.445372305202405]
  多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。 我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。 屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-11-09T20:20:23Z)
• Parameters for > 300 million Gaia stars: Bayesian inference vs. machine learning [0.0]
  本稿では,ガイアDR3から基本恒星パラメータを抽出する方法と地上観測データについて述べる。 単純なニューラルネットアーキテクチャやツリーベースのアルゴリズムであっても、競合する結果の予測に成功し、規模を小さくすることを示す。
  論文  参考訳（メタデータ） (2023-02-14T12:04:41Z)
• Identifying Exoplanets with Deep Learning. V. Improved Light Curve Classification for TESS Full Frame Image Observations [1.4060799411474627]
  本稿では,第1次ミッションと第1次拡張ミッションの全フレーム画像からの光曲線と,Box Least Squaresで検出された周期信号を含むデータセットを提案する。 データセットは、完全な手作業によるレビュープロセスを使用して、Astronet-Triage-v2と呼ばれるニューラルネットワークのトレーニングに使用された。 Astronet-Triage-v2は4140TOIのうち3577をリカバリでき、Astronet-Triageは3349ターゲットを同じ精度でリカバリできる。
  論文  参考訳（メタデータ） (2023-01-03T21:58:13Z)
• 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)
• 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)
• Evolutionary Map of the Universe (EMU):Compact radio sources in the SCORPIO field towards the Galactic plane [0.0]
  オーストラリアのSquare Kilometre Array Pathfinder(ASKAP)の早期科学プログラムで撮影された銀河面の領域の観測について報告する。 SCORPIOフィールドを912MHzで観測し、15個のアンテナからなる未完成アレイを観測した。 CAESARソースファインダーを使用して、合計3963の電波源が検出され、フィールドで特徴付けられました。
  論文  参考訳（メタデータ） (2021-01-11T12:25:32Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• TJU-DHD: A Diverse High-Resolution Dataset for Object Detection [48.94731638729273]
  大規模でリッチな多様性と高解像度のデータセットは、よりよいオブジェクト検出方法を開発する上で重要な役割を果たす。 私たちは多種多様な高解像度データセット(TJU-DHD)を構築します。 データセットには115,354枚の高解像度画像と709,330個のラベル付きオブジェクトが含まれており、スケールと外観に大きな違いがある。
  論文  参考訳（メタデータ） (2020-11-18T09:32:24Z)
• MANTRA: A Machine Learning reference lightcurve dataset for astronomical transient event recognition [2.208166456405677]
  カタリーナ・リアルタイム・リアルタイム・トランジェント・サーベイから構築された4869トランジェントおよび71207非トランジェント・オブジェクト・ライトカーブのデータセットにパブリックアクセスする。 データセットに含まれるいくつかのクラスは、超新星、白亜紀変光星、活動銀河核、高い固有運動星、ブレザー、フレアである。 二進的/非過渡的(transient/non-transient)と八進的(8-class)の2つの分類課題における定量的性能を評価する。
  論文  参考訳（メタデータ） (2020-06-23T17:06:49Z)

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。