Fugu-MT 論文翻訳(概要): Robustness analysis of Deep Sky Objects detection models on HPC

論文の概要: Robustness analysis of Deep Sky Objects detection models on HPC

arxiv url: http://arxiv.org/abs/2508.09831v1
Date: Wed, 13 Aug 2025 14:05:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-14 20:42:00.921984
Title: Robustness analysis of Deep Sky Objects detection models on HPC
Title（参考訳）: HPCにおける深宇宙物体検出モデルのロバスト性解析
Authors: Olivier Parisot, Diogo Ramalho Fernandes,
Abstract要約: 天文学的な調査やアマチュア天文学者の関与の増加は、これまで以上に多くの空画像を生み出している。 Deep Sky Objectsの検出は、その暗い信号と複雑な背景のため、依然として困難である。コンピュータビジョンとディープラーニングは、このプロセスの改善と自動化を可能にします。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Astronomical surveys and the growing involvement of amateur astronomers are producing more sky images than ever before, and this calls for automated processing methods that are accurate and robust. Detecting Deep Sky Objects -- such as galaxies, nebulae, and star clusters -- remains challenging because of their faint signals and complex backgrounds. Advances in Computer Vision and Deep Learning now make it possible to improve and automate this process. In this paper, we present the training and comparison of different detection models (YOLO, RET-DETR) on smart telescope images, using High-Performance Computing (HPC) to parallelise computations, in particular for robustness testing.
Abstract（参考訳）: 天文学的な調査やアマチュア天文学者の関与の増加は、これまで以上に多くのスカイイメージを生み出している。銀河、星雲、星団などの深宇宙天体の発見は、その微妙な信号と複雑な背景のため、いまだに困難である。コンピュータビジョンとディープラーニングの進歩により、このプロセスを改善し、自動化することが可能になった。本稿では、高パフォーマンスコンピューティング(HPC)を用いて、スマート望遠鏡画像上での異なる検出モデル(YOLO, RET-DETR)の訓練と比較を行い、特にロバストネステストについて述べる。

関連論文リスト

STAR: A Benchmark for Astronomical Star Fields Super-Resolution [51.79340280382437]
54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
論文参考訳（メタデータ） (2025-07-22T09:28:28Z)
A New Statistical Model of Star Speckles for Learning to Detect and Characterize Exoplanets in Direct Imaging Observations [37.845442465099396]
本稿では,マルチスケールアプローチを用いてニュアンス変動を捉える新しい統計モデルを提案する。これは解釈可能なエンドツーエンドの学習可能なフレームワークに統合され、同時に外惑星の検出とフラックス推定を行う。提案手法は, 計算効率が高く, 各種データ品質に対して頑健であり, 大規模観測調査に適している。
論文参考訳（メタデータ） (2025-03-21T13:07:55Z)
Extrapolated Urban View Synthesis Benchmark [53.657271730352214]
光シミュレーターは視覚中心型自動運転車(AV)の訓練と評価に不可欠である中心となるのはノベルビュー合成(英語版)(NVS)であり、これはAVの広範かつ連続的なポーズ分布に対応するために、様々な目に見えない視点を生成する能力である。近年の3次元ガウス・スプラッティングのような放射場の発展は、リアルタイムなリアルタイムレンダリングを実現し、大規模ドライビングシーンのモデリングに広く利用されている。自動運転車と都市ロボットシミュレーション技術の進歩を支援するために、データを公開します。
論文参考訳（メタデータ） (2024-12-06T18:41:39Z)
Astronomical Images Quality Assessment with Automated Machine Learning [0.0]
電子的に補助された天文学は、直接観測によって見えないであろう天体の視界を表示するために、望遠鏡にデジタルカメラを結合して深宇宙画像を取得することで構成される。このプラクティスは大量のデータを生成し、観察セッション後に専用の画像編集ソフトウェアで拡張することができる。本研究では,画像品質評価が天文学的画像の自動評価にどのように役立つかを示すとともに,自動機械学習を用いて専用モデルを開発する。
論文参考訳（メタデータ） (2023-11-17T16:14:11Z)
Image Restoration with Point Spread Function Regularization and Active Learning [5.575847437953924]
大規模な天文学的な調査では、銀河や星雲を含む多数の天体の画像を捉えることができる。様々なノイズレベルと点拡散関数は、これらの画像から情報抽出の精度と効率を損なう。深層学習に基づく復元アルゴリズムと高忠実度望遠鏡シミュレータを接続する新しい画像復元アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-31T23:16:26Z)
Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文参考訳（メタデータ） (2022-04-07T08:53:18Z)
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)
Detection of asteroid trails in Hubble Space Telescope images using Deep Learning [0.0]
本稿では,ハッブル宇宙望遠鏡で撮影した単一露光写真における小惑星軌道の画像認識へのDeep Learningの適用について述べる。多層深層畳み込みニューラルネットワークに基づくアルゴリズムを用いて、検証セット上で80%以上の精度を報告する。
論文参考訳（メタデータ） (2020-10-29T09:03:18Z)
Neural Ray Surfaces for Self-Supervised Learning of Depth and Ego-motion [51.19260542887099]
カメラモデルの事前知識を必要とせずに、自己超越を用いて正確な深度とエゴモーション推定を学習できることが示される。 Grossberg と Nayar の幾何学モデルにインスパイアされた我々は、ピクセルワイド射影線を表す畳み込みネットワークである Neural Ray Surfaces (NRS) を導入する。本研究では,多種多様なカメラシステムを用いて得られた生ビデオから,視覚計測の自己教師付き学習と深度推定にNRSを用いることを実証する。
論文参考訳（メタデータ） (2020-08-15T02:29:13Z)
Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文参考訳（メタデータ） (2020-04-23T17:32:19Z)

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。