論文の概要: Vision Transformer for Transient Noise Classification
- arxiv url: http://arxiv.org/abs/2510.06273v1
- Date: Mon, 06 Oct 2025 11:54:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-09 16:41:20.084224
- Title: Vision Transformer for Transient Noise Classification
- Title（参考訳）: 過渡雑音分類のための視覚変換器
- Authors: Divyansh Srivastava, Andrzej Niedzielski,
- Abstract要約: LIGOデータのグリッチを,最初の段階から22の既存クラスに分類し,O3aから2のノイズクラスを追加することを目的としている。
我々は92.26%の分類効率を達成し、重力波検出の精度を向上させるためにビジョントランスフォーマーの可能性を実証した。
- 参考スコア（独自算出の注目度）: 2.5782420501870296
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Transient noise (glitches) in LIGO data hinders the detection of gravitational waves (GW). The Gravity Spy project has categorized these noise events into various classes. With the O3 run, there is the inclusion of two additional noise classes and thus a need to train new models for effective classification. We aim to classify glitches in LIGO data into 22 existing classes from the first run plus 2 additional noise classes from O3a using the Vision Transformer (ViT) model. We train a pre-trained Vision Transformer (ViT-B/32) model on a combined dataset consisting of the Gravity Spy dataset with the additional two classes from the LIGO O3a run. We achieve a classification efficiency of 92.26%, demonstrating the potential of Vision Transformer to improve the accuracy of gravitational wave detection by effectively distinguishing transient noise. Key words: gravitational waves --vision transformer --machine learning
- Abstract（参考訳）: LIGOデータの過渡ノイズ(グリッチ)は重力波(GW)の検出を妨げる。
Gravity Spyプロジェクトは、これらのノイズイベントを様々なクラスに分類した。
O3の実行には2つのノイズクラスが含まれており、それによって効果的な分類のために新しいモデルをトレーニングする必要がある。
LIGOデータのグリッチを,第1ランから22の既存クラスに分類し,ビジョントランスフォーマー(ViT)モデルを用いて,O3aから2つのノイズクラスを追加することを目的としている。
LIGO O3a実行時の2つのクラスを追加して、Gravity Spyデータセットからなる組み合わせデータセット上で、事前トレーニングされたビジョントランスフォーマー(ViT-B/32)モデルをトレーニングする。
我々は92.26%の分類効率を達成し、過渡雑音を効果的に識別することにより、重力波検出の精度を向上させるためにビジョントランスフォーマーの可能性を実証した。
キーワード:重力波 -- ビジョン・トランスフォーマー -- 機械学習
関連論文リスト
- Balancing Accuracy, Calibration, and Efficiency in Active Learning with Vision Transformers Under Label Noise [1.4269314427770698]
本研究では,低予算制約および雑音ラベル下での視覚変換器の性能に及ぼすモデルサイズの影響について検討した。
より大型のViTモデルは、中程度から高いラベルノイズの下でも、精度とキャリブレーションの両方において、より小型のモデルよりも一貫して優れていることを示す。
情報に基づくアクティブラーニング戦略は、中程度のラベルノイズ率で有意な精度の向上しか得られないが、ランダムに取得したラベルで訓練されたモデルに比べてキャリブレーションが低くなる。
論文 参考訳（メタデータ） (2025-05-07T12:53:13Z) - UAVTwin: Neural Digital Twins for UAVs using Gaussian Splatting [57.63613048492219]
UAVTwinは,無人航空機(UAV)に埋め込まれた下流モデルの訓練を行うための,実環境からデジタル双生児を作成する方法である。
これは、背景を再構築するための3Dガウススティング(3DGS)と、多様な外観と動作を複数のポーズで表示する制御可能な合成人間モデルを統合することで実現される。
論文 参考訳（メタデータ） (2025-04-02T22:17:30Z) - DeepExtractor: Time-domain reconstruction of signals and glitches in gravitational wave data with deep learning [2.637315570643508]
本稿では,信号とグリッチをインターフェロメーターノイズを超えるパワーで再構成するDeepExtractorを提案する。
我々は,グリッチに関連するアプリケーションに注目し,DeepExtractorの有効性を3つの実験で検証する。
DeepExtractorはGlitchリカバリでBayesWaveを上回り、劇的な計算スピードアップを提供する。
論文 参考訳（メタデータ） (2025-01-30T15:25:30Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - SGDViT: Saliency-Guided Dynamic Vision Transformer for UAV Tracking [12.447854608181833]
本研究は、UAV追跡のための新しいサリエンシ誘導動的視覚変換器(SGDViT)を提案する。
提案手法は,クロスコリレーション操作を洗練させるために,タスク固有の新たなオブジェクト・サリエンシ・マイニング・ネットワークを設計する。
軽量な塩分フィルタリング変換器は、さらに塩分情報を洗練し、外観情報に焦点を当てる。
論文 参考訳（メタデータ） (2023-03-08T05:01:00Z) - The Lazy Neuron Phenomenon: On Emergence of Activation Sparsity in
Transformers [59.87030906486969]
本稿では,Transformer アーキテクチャを用いた機械学習モデルにおいて,アクティベーションマップが疎いという興味深い現象について考察する。
本稿では, 自然言語処理と視覚処理の両方において, スパーシリティが顕著な現象であることを示す。
本稿では,変換器のFLOP数を大幅に削減し,効率を向上する手法について論じる。
論文 参考訳（メタデータ） (2022-10-12T15:25:19Z) - An Extendable, Efficient and Effective Transformer-based Object Detector [95.06044204961009]
我々は、視覚・検出変換器(ViDT)を統合し、効果的で効率的な物体検出装置を構築する。
ViDTは、最近のSwin Transformerをスタンドアロンのオブジェクト検出器に拡張するために、再構成されたアテンションモジュールを導入した。
オブジェクト検出とインスタンスセグメンテーションのための共同タスク学習をサポートするために、ViDT+に拡張する。
論文 参考訳（メタデータ） (2022-04-17T09:27:45Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Unsupervised Learning Architecture for Classifying the Transient Noise
of Interferometric Gravitational-wave Detectors [2.8555963243398073]
非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。
過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。
本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-11-19T05:37:06Z)
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。