論文の概要: Anomaly detection in radio galaxy data with trainable COSFIRE filters
- arxiv url: http://arxiv.org/abs/2505.18643v1
- Date: Sat, 24 May 2025 11:08:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:42.560395
- Title: Anomaly detection in radio galaxy data with trainable COSFIRE filters
- Title(参考訳): トレーニング可能なCOSFIREフィルタを用いた電波銀河データの異常検出
- Authors: Steven Ndung'u, Trienko Grobler, Stefan J. Wijnholds, George Azzopardi,
- Abstract要約: 本研究は、トレーニング可能なCOSFIREフィルタを用いて、電波源の形態特性に基づく異常検出に対する革新的なアプローチを導入する。
このフレームワークは、COSFIREディスクリプタと教師なしローカル・アウトリア・ファクター(LOF)アルゴリズムを統合し、異常な電波銀河形態を識別する。
ラジオギャラクシーベンチマークデータセットの評価は、COSFIREに基づく手法が幾何平均(G平均)スコアを79%達成し、高い性能を示した。
- 参考スコア(独自算出の注目度): 3.9073553035370203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting anomalies in radio astronomy is challenging due to the vast amounts of data and the rarity of labeled anomalous examples. Addressing this challenge requires efficient methods capable of identifying unusual radio galaxy morphologies without relying on extensive supervision. This work introduces an innovative approach to anomaly detection based on morphological characteristics of the radio sources using trainable COSFIRE (Combination of Shifted Filter Responses) filters as an efficient alternative to complex deep learning methods. The framework integrates COSFIRE descriptors with an unsupervised Local Outlier Factor (LOF) algorithm to identify unusual radio galaxy morphologies. Evaluations on a radio galaxy benchmark data set demonstrate strong performance, with the COSFIRE-based approach achieving a geometric mean (G-Mean) score of 79%, surpassing the 77% achieved by a computationally intensive deep learning autoencoder. By characterizing normal patterns and detecting deviations, this semi-supervised methodology overcomes the need for anomalous examples in the training set, a major limitation of traditional supervised methods. This approach shows promise for next-generation radio telescopes, where fast processing and the ability to discover unknown phenomena are crucial.
- Abstract(参考訳): 電波天文学における異常の検出は、大量のデータとラベル付き異常例の希少性のために困難である。
この課題に対処するには、広範囲の監視に頼ることなく、異常な電波銀河形態を識別できる効率的な方法が必要である。
本研究は,COSFIRE (Combination of Shifted Filter Responses) フィルタを複雑な深層学習手法の効率的な代替手段として用いた,電波源の形態特性に基づく異常検出の革新的な手法を提案する。
このフレームワークは、COSFIREディスクリプタと教師なしローカル・アウトリア・ファクター(LOF)アルゴリズムを統合し、異常な電波銀河形態を識別する。
ラジオギャラクシーベンチマークデータセットの評価は、COSFIREに基づく手法で幾何平均(G-Mean)スコアを79%達成し、計算集約的なディープラーニングオートエンコーダによって達成された77%を上回った。
この半教師付き手法は、通常のパターンを特徴づけ、偏差を検出することによって、従来の教師付き手法の大きな制限であるトレーニングセットにおける異常な例の必要性を克服する。
このアプローチは、高速な処理と未知の現象を発見する能力が不可欠である次世代の電波望遠鏡を約束することを示している。
関連論文リスト
- CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。
識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。
本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
論文 参考訳(メタデータ) (2025-06-13T13:30:15Z) - RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
論文 参考訳(メタデータ) (2024-09-13T13:53:41Z) - CKNN: Cleansed k-Nearest Neighbor for Unsupervised Video Anomaly Detection [40.09012921252129]
クリーズドk-Nearest Neighbor (CKNN) と呼ばれる新しい手法を提案する。
CKNNはトレーニングデータセットをきれいにすることで、Anomaly Clustersを明示的にフィルタリングする。
提案手法を様々なベンチマークデータセットで評価し、CKNNが従来の最先端UVAD法よりも最大8.5%優れていたことを示す。
論文 参考訳(メタデータ) (2024-08-06T07:51:20Z) - Supervised Radio Frequency Interference Detection with SNNs [25.08630315149258]
電波干渉(Radio Frequency Interference、RFI)は、電波望遠鏡によって観測される観測を妨害し、地球や天体から発生する電波天文学において重要な課題である。
電波天文学観測の動的・時間的性質を考えると、スパイキングニューラルネットワーク(SNN)は有望なアプローチとして出現する。
SNN推論のための電波可視データの符号化について,レート,レイテンシ,デルタ変調,ステップフォワードアルゴリズムの3つのバリエーションを考慮した6つの符号化方式について検討した。
論文 参考訳(メタデータ) (2024-06-10T07:49:51Z) - Classification of Radio Galaxies with trainable COSFIRE filters [4.268504966623082]
我々は、COSFIREフィルタを用いた電波銀河分類のための革新的なアプローチを導入する。
これらのフィルタは、画像内のプロトタイプパターンの形状と向きの両方に適応する能力を持っている。
我々は,180個のトレーニングサンプルと404個のテストサンプルからなるベンチマーク・ラジオ・ギャラクシー・データセットの実験を行った。
論文 参考訳(メタデータ) (2023-11-19T10:12:09Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - The ROAD to discovery: machine learning-driven anomaly detection in
radio astronomy spectrograms [0.3425341633647625]
電波望遠鏡のための新しい機械学習異常検出フレームワークを提案する。
本稿では,Low Frequency Array (LOFAR) 望遠鏡から7050個の自己相関型スペクトログラムを用いたデータセットを提案する。
我々のシステムはLOFARデータ処理パイプラインのコンテキストにおいてリアルタイムであり、1msで1つのスペクトログラムを処理する必要がある。
論文 参考訳(メタデータ) (2023-07-03T14:34:27Z) - Advances on the classification of radio image cubes [4.443085464476228]
現代の電波望遠鏡は、Square Kilometre Array (SKA)のようなシステムのために、毎日エクサバイト規模のデータセットを生成する。
大量データセットは、発見につながる未知の、希少な天体物理学現象の源泉である。
近年、電波天文学における人工知能の利用に焦点を当てた科学出版物が急増している。
論文 参考訳(メタデータ) (2023-05-05T11:15:37Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。