Fugu-MT 論文翻訳(概要): Detecting streaks in smart telescopes images with Deep Learning

論文の概要: Detecting streaks in smart telescopes images with Deep Learning

arxiv url: http://arxiv.org/abs/2510.17540v1
Date: Mon, 20 Oct 2025 13:43:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:39.470851
Title: Detecting streaks in smart telescopes images with Deep Learning
Title（参考訳）: Deep Learningを用いたスマート望遠鏡画像のストリーク検出
Authors: Olivier Parisot, Mahmoud Jaziri,
Abstract要約: 夜空に衛星が存在することは、天体観測中に撮影された画像にストリークを導入する効果がある。我々は2022年3月から2023年2月までに、さまざまなDeep Learningアプローチを用いて、スマート望遠鏡を用いて、生の天文学的データのストリークを検出する方法を紹介した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The growing negative impact of the visibility of satellites in the night sky is influencing the practice of astronomy and astrophotograph, both at the amateur and professional levels. The presence of these satellites has the effect of introducing streaks into the images captured during astronomical observation, requiring the application of additional post processing to mitigate the undesirable impact, whether for data loss or cosmetic reasons. In this paper, we show how we test and adapt various Deep Learning approaches to detect streaks in raw astronomical data captured between March 2022 and February 2023 with smart telescopes.
Abstract（参考訳）: 夜空における衛星の視認性への否定的な影響は、アマチュアとプロの両方のレベルで天文学と天体写真撮影の実践に影響を与える。これらの衛星の存在は、天文観測中に撮影された画像にストリークを導入する効果があり、データ損失や化粧品の理由に関わらず、望ましくない影響を軽減するために追加のポストプロセッシングを適用する必要がある。本稿では,2022年3月から2023年2月までに収集された生の天体データのストリークをスマート望遠鏡で検出するために,様々なDeep Learningアプローチのテストと適応方法を示す。

関連論文リスト

STAR: A Benchmark for Astronomical Star Fields Super-Resolution [52.895107920663236]
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)
Astrophotography turbulence mitigation via generative models [3.435619322951694]
地上の望遠鏡が捉えたほとんどの天体画像は大気の乱れに悩まされ、画質が劣化した。 AstroDiffは,大気乱流を緩和するために,高品質な生成先行と拡散モデルの復元機能の両方を活用する生成復元法である。
論文参考訳（メタデータ） (2025-06-03T15:18:48Z)
Neuromorphic Cameras in Astronomy: Unveiling the Future of Celestial Imaging Beyond Conventional Limits [1.5814849857798792]
非同期画素演算と対数光電流変換を利用したニューロモルフィックカメラの高速化とダイナミックレンジの向上我々は1300mmの地上望遠鏡を用いて、暗く明るい天体源を同時に捉えるニューロモルフィックカメラの能力を実証している。我々の調査には、月や地球付近を通過する隕石の検出や、極端に高時間分解能の衛星や人為的な破片の検出も含まれています。
論文参考訳（メタデータ） (2025-03-20T06:11:29Z)
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)
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)
Processing Images from Multiple IACTs in the TAIGA Experiment with Convolutional Neural Networks [62.997667081978825]
我々は、畳み込みニューラルネットワーク(CNN)を用いて、TAIGA実験からモンテカルロシミュレーション画像を分析する。この分析は、ガンマ線によるシャワーに対応する画像の選択と、ガンマ線のエネルギーを推定することを含む。
論文参考訳（メタデータ） (2021-12-31T10:49:11Z)
LUAI Challenge 2021 on Learning to Understand Aerial Images [113.42987112252851]
本報告では,ICCV 2021で実施したLearning to Understand Aerial Images (LUAI) 2021の課題について要約する。 DOTA-v2.0 と GID-15 のデータセットを用いて,オブジェクト指向物体検出,水平物体検出,空中画像における共通カテゴリのセマンティックセグメンテーションの3つのタスクを提案する。
論文参考訳（メタデータ） (2021-08-30T14:03:54Z)
First Full-Event Reconstruction from Imaging Atmospheric Cherenkov Telescope Real Data with Deep Learning [55.41644538483948]
チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
論文参考訳（メタデータ） (2021-05-31T12:51:42Z)
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)
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。