論文の概要: Transformer-Based Neural Network for Transient Detection without Image Subtraction

• arxiv url: http://arxiv.org/abs/2508.16844v1
• Date: Fri, 22 Aug 2025 23:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.20589
• Title: Transformer-Based Neural Network for Transient Detection without Image Subtraction
• Title（参考訳）: 画像サブトラクションを伴わない過渡検出のためのトランスフォーマーベースニューラルネットワーク
• Authors: Adi Inada, Masao Sako, Tatiana Acero-Cuellar, Federica Bianco,
• Abstract要約: 本稿では, 天体画像における実・ボーグ過渡検出の正確な分類のためのトランスフォーマーベースニューラルネットワークを提案する。 ネットワークは97.4%の分類精度を達成し、トレーニングセットのサイズが大きくなるにつれて差画像の性能を低下させる。 これらの結果は、大規模な天文学的な調査において、超新星検出の精度と効率を向上するネットワークの有効性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a transformer-based neural network for the accurate classification of real and bogus transient detections in astronomical images. This network advances beyond the conventional convolutional neural network (CNN) methods, widely used in image processing tasks, by adopting an architecture better suited for detailed pixel-by-pixel comparison. The architecture enables efficient analysis of search and template images only, thus removing the necessity for computationally-expensive difference imaging, while maintaining high performance. Our primary evaluation was conducted using the autoScan dataset from the Dark Energy Survey (DES), where the network achieved a classification accuracy of 97.4% and diminishing performance utility for difference image as the size of the training set grew. Further experiments with DES data confirmed that the network can operate at a similar level even when the input images are not centered on the supernova candidate. These findings highlight the network's effectiveness in enhancing both accuracy and efficiency of supernova detection in large-scale astronomical surveys.
• Abstract（参考訳）: 本稿では, 天体画像における実・ボーグ過渡検出の正確な分類のためのトランスフォーマーベースニューラルネットワークを提案する。 このネットワークは、画像処理タスクで広く使われている従来の畳み込みニューラルネットワーク(CNN)メソッドを超えて、詳細なピクセル・バイ・ピクセル比較に適したアーキテクチャを採用する。 このアーキテクチャにより、検索画像とテンプレート画像のみの効率的な解析が可能となり、高い性能を維持しつつ、計算に精通した差分イメージングの必要性を排除できる。 The Dark Energy Survey (DES)のAutoScanデータセットを用いて,ネットワークの分類精度97.4%を達成し,トレーニングセットのサイズが大きくなるにつれて差画像の性能を低下させる実験を行った。 DESデータによるさらなる実験では、入力画像が超新星候補に集中していない場合でも、ネットワークが同様のレベルで動作可能であることを確認した。 これらの結果は、大規模な天文学的な調査において、超新星検出の精度と効率を向上するネットワークの有効性を浮き彫りにしている。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Image edge enhancement for effective image classification [7.470763273994321]
  ニューラルネットワークの精度とトレーニング速度を両立させるエッジ拡張に基づく手法を提案する。 我々のアプローチは、利用可能なデータセット内の画像からエッジなどの高周波特徴を抽出し、元の画像と融合させることである。
  論文  参考訳（メタデータ） (2024-01-13T10:01:34Z)
• Increasing the Accuracy of a Neural Network Using Frequency Selective Mesh-to-Grid Resampling [4.211128681972148]
  ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。 ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。 ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
  論文  参考訳（メタデータ） (2022-09-28T21:34:47Z)
• Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
  生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。 本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
  論文  参考訳（メタデータ） (2022-09-02T08:06:58Z)
• Identifying Transients in the Dark Energy Survey using Convolutional Neural Networks [0.4759823735082844]
  ダークエナジー・サーベイ・スーパーノバ・プログラム(DES-SN)の既存のデータセットに対するCNNを用いた画像の自動過渡識別の結果について述べる。 非人工物(超新星、可変星、AGNなど)を人工物(画像欠陥、誤抽出など)から効率的に選択するネットワークを同定する。 CNNは、誤ラベルされた画像のサブセットを特定するのにも役立ちます。このサブセットで画像のラベル付けを行うと、CNNによる分類は、以前の結果よりもはるかに優れているのです。
  論文  参考訳（メタデータ） (2022-03-18T12:37:44Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• From W-Net to CDGAN: Bi-temporal Change Detection via Deep Learning Techniques [43.58400031452662]
  W-Netと呼ばれるエンドツーエンドのデュアルブランチアーキテクチャを提案し、各ブランチは2つのバイテンポラルイメージのうちの1つを入力として取り込む。 また、最近人気になったGAN(Generative Adversarial Network)を応用し、当社のW-Netがジェネレータとして機能している。 ネットワークをトレーニングし,今後の研究を促進するために,Google Earthから画像を収集して大規模なデータセットを構築する。
  論文  参考訳（メタデータ） (2020-03-14T09:24:08Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)
• Single Image Dehazing Using Ranking Convolutional Neural Network [43.9523642309301]
  本稿では,単一画像復調のための新しいランクリング畳み込みニューラルネットワーク(Ranking-CNN)を提案する。 Ranking-CNNをよく設計された方法でトレーニングすることにより、巨大なヘイズ画像パッチから、強力なヘイズ関連機能を自動的に学習することができる。 提案手法は, 合成および実世界のベンチマーク画像において, 過去のデハージングアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-01-15T11:25:08Z)

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。