論文の概要: LCDC: Bridging Science and Machine Learning for Light Curve Analysis

• arxiv url: http://arxiv.org/abs/2504.10550v1
• Date: Mon, 14 Apr 2025 07:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:05:41.272536
• Title: LCDC: Bridging Science and Machine Learning for Light Curve Analysis
• Title（参考訳）: LCDC:光曲線解析のためのブリッジングサイエンスと機械学習
• Authors: Daniel Kyselica, Tomáš Hrobár, Jiří Šilha, Roman Ďurikovič, Marek Šuppa,
• Abstract要約: Pythonベースのツールキットは、ライトカーブデータの事前処理、分析、機械学習アプリケーションを可能にする。 ロケットボディ分類のための最初の標準化データセットであるRoBo6は、いくつかのベンチマーク機械学習モデルのトレーニングと評価に使用された。 これらのユースケースは、LCCが宇宙ゴミのキャラクタリゼーションを推進し、持続可能な宇宙探査を促進する可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The characterization and analysis of light curves are vital for understanding the physical and rotational properties of artificial space objects such as satellites, rocket stages, and space debris. This paper introduces the Light Curve Dataset Creator (LCDC), a Python-based toolkit designed to facilitate the preprocessing, analysis, and machine learning applications of light curve data. LCDC enables seamless integration with publicly available datasets, such as the newly introduced Mini Mega Tortora (MMT) database. Moreover, it offers data filtering, transformation, as well as feature extraction tooling. To demonstrate the toolkit's capabilities, we created the first standardized dataset for rocket body classification, RoBo6, which was used to train and evaluate several benchmark machine learning models, addressing the lack of reproducibility and comparability in recent studies. Furthermore, the toolkit enables advanced scientific analyses, such as surface characterization of the Atlas 2AS Centaur and the rotational dynamics of the Delta 4 rocket body, by streamlining data preprocessing, feature extraction, and visualization. These use cases highlight LCDC's potential to advance space debris characterization and promote sustainable space exploration. Additionally, they highlight the toolkit's ability to enable AI-focused research within the space debris community.
• Abstract（参考訳）: 光曲線のキャラクタリゼーションと解析は、衛星、ロケットステージ、宇宙デブリなどの人工宇宙物体の物理的および回転特性を理解するために不可欠である。 本稿では,光曲線データの事前処理,解析,機械学習処理を容易にするPythonベースのツールキットであるLight Curve Dataset Creator (LCDC)を紹介する。 LCDCは、新たに導入されたMini Mega Tortora (MMT)データベースなど、公開データセットとのシームレスな統合を可能にする。 さらに、データフィルタリング、変換、機能抽出ツールも提供する。 このツールキットの能力を実証するため、我々はロケットボディ分類のための最初の標準化データセットRoBo6を作成し、このデータセットは、最近の研究で再現性とコンパラビリティの欠如に対処するために、いくつかのベンチマーク機械学習モデルのトレーニングと評価に使用された。 さらに、Atlas 2AS Centaurの表面キャラクタリゼーションやデルタ4ロケット本体の回転ダイナミクスなど、データ前処理、特徴抽出、可視化といった高度な科学的分析を可能にする。 これらのユースケースは、LCCが宇宙ゴミのキャラクタリゼーションを推進し、持続可能な宇宙探査を促進する可能性を強調している。 さらに、彼らは、宇宙デブリコミュニティ内でAIに焦点を当てた研究を可能にするツールキットの能力を強調している。

関連論文リスト

• Training Datasets Generation for Machine Learning: Application to Vision Based Navigation [0.0]
  視覚ベースのナビゲーションは、画像から情報を抽出した後、GNCの精密センサーとしてカメラを利用する。 宇宙アプリケーションにおける機械学習の採用を可能にするために、利用可能なトレーニングデータセットがアルゴリズムの検証に適していることの実証が障害のひとつだ。 本研究の目的は,機械学習アルゴリズムの学習に適した画像とメタデータのデータセットを作成することである。
  論文  参考訳（メタデータ） (2024-09-17T17:34:24Z)
• SuperBench: A Super-Resolution Benchmark Dataset for Scientific Machine Learning [42.76583514565341]
  我々は,高解像度データセットを特徴とする最初のベンチマークデータセットであるSuperBenchを紹介する。 空間ロバストネスSRデータ中心および物理保存視点の検証に焦点をあてる。 我々は,SR法が科学的データにおいて,微細な特徴を捕捉し,基本的な物理的特性と制約を保存する上での限界を同定する。
  論文  参考訳（メタデータ） (2023-06-24T22:39:33Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Exoplanet Detection by Machine Learning with Data Augmentation [0.0]
  ディープラーニングは、外惑星検出パイプラインの一部を自動化する可能性がある。 利用可能なデータセットの少なさは、強力なネットワークアーキテクチャから期待されるパフォーマンスレベルを実現するのを難しくする。 本研究では,データ拡張によって外惑星検出問題に対するモデル性能が向上する可能性を実証する。
  論文  参考訳（メタデータ） (2022-11-28T17:35:16Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• GalaxAI: Machine learning toolbox for interpretable analysis of spacecraft telemetry data [48.42042893355919]
  GalaxAIは、宇宙船のテレメトリデータを分析するための汎用的な機械学習ツールボックスである。 多変量時系列解析、分類、回帰、構造化出力予測に様々な機械学習アルゴリズムを使用している。 本稿では,2つの異なる宇宙船に関する2つのユースケースにおいて,GalaxAIの有用性と汎用性を示す。
  論文  参考訳（メタデータ） (2021-08-03T10:45:20Z)
• Improving the Performance of Fine-Grain Image Classifiers via Generative Data Augmentation [0.5161531917413706]
  我々は、ロバスト生成アドリアルネットワーク(DAPPER GAN)の熟練した事前学習からデータ拡張を開発する。 DAPPER GANは、トレーニングイメージの新しいビューを自動的に生成するML分析支援ツールである。 本手法をStanford Carsデータセット上で実験的に評価し,車体形状とモデル分類精度の向上を実証した。
  論文  参考訳（メタデータ） (2020-08-12T15:29:11Z)

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。