論文の概要: Artificial Satellite Trails Detection Using U-Net Deep Neural Network and Line Segment Detector Algorithm

• arxiv url: http://arxiv.org/abs/2509.16771v1
• Date: Sat, 20 Sep 2025 18:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.968406
• Title: Artificial Satellite Trails Detection Using U-Net Deep Neural Network and Line Segment Detector Algorithm
• Title（参考訳）: U-Net Deep Neural NetworkとLine Segment Detectorアルゴリズムを用いた人工衛星軌道検出
• Authors: Xiaohan Chen, Hongrui Gu, Cunshi Wang, Haiyang Mu, Jie Zheng, Junju Du, Jing Ren, Zhou Fan, Jing Li,
• Abstract要約: 画像セグメント化のためのU-NetディープニューラルネットワークとLine Segment Detector (LSD)アルゴリズムを組み合わせた衛星跡検出モデルを提案する。 このモデルはMini-SiTian Arrayのデータから生成された375個の衛星トレイルのシミュレーション画像に基づいて訓練されている。 Mini-SiTian Arrayの実際の観測データに適用すると、79.57のリコールと74.56の精度が得られる。
• 参考スコア（独自算出の注目度）: 12.216461590186805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid increase in the number of artificial satellites, astronomical imaging is experiencing growing interference. When these satellites reflect sunlight, they produce streak-like artifacts in photometry images. Such satellite trails can introduce false sources and cause significant photometric errors. As a result, accurately identifying the positions of satellite trails in observational data has become essential. In this work, we propose a satellite trail detection model that combines the U-Net deep neural network for image segmentation with the Line Segment Detector (LSD) algorithm. The model is trained on 375 simulated images of satellite trails, generated using data from the Mini-SiTian Array. Experimental results show that for trails with a signal-to-noise ratio (SNR) greater than 3, the detection rate exceeds 99. Additionally, when applied to real observational data from the Mini-SiTian Array, the model achieves a recall of 79.57 and a precision of 74.56.
• Abstract（参考訳）: 人工衛星の数が急速に増加し、天文画像は干渉が増大している。 これらの衛星が日光を反射すると、光度測定画像にストリークのようなアーティファクトが生成される。 このような衛星の軌跡は、偽の情報源を導入し、重要な測光誤差を引き起こす可能性がある。 その結果,観測データ中の衛星軌道の位置を正確に同定することが重要となった。 本研究では,画像セグメント化のためのU-NetディープニューラルネットワークとLine Segment Detector (LSD)アルゴリズムを組み合わせた衛星跡検出モデルを提案する。 このモデルはMini-SiTian Arrayのデータから生成された375個の衛星トレイルのシミュレーション画像に基づいて訓練されている。 実験の結果,SNRが3以上であれば,検出率は99。 さらに、ミニ・シチアンアレイの実際の観測データに適用すると、このモデルは79.57のリコールと74.56の精度を達成する。

関連論文リスト

• Synthesizing and Identifying Noise Levels in Autonomous Vehicle Camera Radar Datasets [2.435006380732195]
  我々は、カメラレーダー自律走行車データセットのためのリアルな合成データ拡張パイプラインを作成します。 私たちのゴールは、現実世界の干渉によるセンサーの故障とデータの劣化を正確にシミュレートすることです。 また、ベースラインの軽量ノイズ認識ニューラルネットワークをトレーニングし、拡張データセット上でテストした結果も提示する。
  論文  参考訳（メタデータ） (2025-05-01T15:15:50Z)
• Reconstructing Satellites in 3D from Amateur Telescope Images [44.20773507571372]
  本稿では,ハイブリッド画像前処理パイプラインを統合することで,障害を克服する新しい計算イメージングフレームワークを提案する。 我々は,中国の江東宇宙ステーションと国際宇宙ステーションの合成衛星データセットとオンスキー観測の両方にアプローチを検証した。 我々のフレームワークは地球からの高忠実度3D衛星監視を可能にし、宇宙状況認識のためのコスト効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2024-04-29T03:13:09Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Streamlined Lensed Quasar Identification in Multiband Images via Ensemble Networks [34.82692226532414]
  強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。 我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。 我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
  論文  参考訳（メタデータ） (2023-07-03T15:09:10Z)
• Satellite Detection in Unresolved Space Imagery for Space Domain Awareness Using Neural Networks [0.0]
  この研究は、MobileNetV2 Convolutional Neural Network (CNN)を用いて、衛星の高速かつ移動的な検出を行う。 カスタムデータベースは、合成衛星画像プログラムの画像を使用して作成され、衛星上の「衛星陽性」画像のバウンディングボックスでラベル付けされる。 CNNは、このデータベース上でトレーニングされ、実際の望遠鏡画像で構成された外部データセット上で、モデルの精度をチェックすることによって、推論が検証される。
  論文  参考訳（メタデータ） (2022-07-23T04:28:45Z)
• Unmanned Aerial Vehicle Visual Detection and Tracking using Deep Neural Networks: A Performance Benchmark [22.21369001886134]
  無人航空機(UAV)は、悪用と悪用の両方により、航空安全に大きなリスクをもたらす可能性がある。 uav検出の一般的な技術は可視帯および熱赤外イメージング、電波、レーダーである。 画像に基づく物体検出のためのディープニューラルネットワーク(DNN)の最近の進歩は、この検出と追跡タスクに視覚情報を使用する可能性を開く。
  論文  参考訳（メタデータ） (2021-03-25T15:51:53Z)
• Unsupervised Denoising for Satellite Imagery using Wavelet Subband CycleGAN [30.114034122521122]
  ウェーブレットサブバンドサイクル一貫性対向ネットワーク(WavCycleGAN)を用いた衛星画像の教師なしマルチスペクトル復調手法を提案する。 衛星画像センサにおける垂直ストライプと波動ノイズの除去実験の結果,提案手法が効果的にノイズを除去し,衛星画像の重要な高周波特性を保存できることが示されている。
  論文  参考訳（メタデータ） (2020-02-23T07:11:05Z)

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。