論文の概要: Pulsar Detection with Deep Learning

• arxiv url: http://arxiv.org/abs/2510.25774v1
• Date: Sun, 26 Oct 2025 05:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.47007
• Title: Pulsar Detection with Deep Learning
• Title（参考訳）: 深層学習によるパルサー検出
• Authors: Manideep Pendyala,
• Abstract要約: この論文は、アレイによる特徴と画像診断を融合させる無線パルサー候補選択のためのディープラーニングパイプラインを構築する。 約500GBのGMRTデータから、原電圧はフィルタバンクに変換され、その後分散試験によって分散され、折り畳まれる。 各候補は、4つの診断プロファイル、時間対位相、サブバンド対位相、DM曲線を配列と画像として表現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pulsar surveys generate millions of candidates per run, overwhelming manual inspection. This thesis builds a deep learning pipeline for radio pulsar candidate selection that fuses array-derived features with image diagnostics. From approximately 500 GB of Giant Metrewave Radio Telescope (GMRT) data, raw voltages are converted to filterbanks (SIGPROC), then de-dispersed and folded across trial dispersion measures (PRESTO) to produce approximately 32,000 candidates. Each candidate yields four diagnostics--summed profile, time vs. phase, subbands vs. phase, and DM curve--represented as arrays and images. A baseline stacked model (ANNs for arrays + CNNs for images with logistic-regression fusion) reaches 68% accuracy. We then refine the CNN architecture and training (regularization, learning-rate scheduling, max-norm constraints) and mitigate class imbalance via targeted augmentation, including a GAN-based generator for the minority class. The enhanced CNN attains 87% accuracy; the final GAN+CNN system achieves 94% accuracy with balanced precision and recall on a held-out test set, while remaining lightweight enough for near--real-time triage. The results show that combining array and image channels improves separability over image-only approaches, and that modest generative augmentation substantially boosts minority (pulsar) recall. The methods are survey-agnostic and extensible to forthcoming high-throughput facilities.
• Abstract（参考訳）: パルサーの調査では、1ラン当たり数百万の候補が作成され、圧倒的な手動検査が行われた。 この論文は、アレイによる特徴と画像診断を融合させる無線パルサー候補選択のためのディープラーニングパイプラインを構築する。 約500GBのジャイアント・メトレウェーブ電波望遠鏡(GMRT)のデータから、原電圧をフィルタバンク(SIGPROC)に変換し、トライアル分散測定(PRESTO)に分散して約32,000の候補を生成する。 各候補は、4つの診断プロファイル、時間対位相、サブバンド対位相、DM曲線を配列と画像として表現する。 ベースライン積み重ねモデル(配列用ANN+ロジスティック・回帰融合画像用CNN)の精度は68%に達する。 次に、CNNアーキテクチャとトレーニング(正規化、学習率スケジューリング、最大ノルム制約)を洗練させ、少数クラス向けのGANベースのジェネレータを含むターゲット拡張によるクラス不均衡を軽減する。 拡張されたCNNは87%の精度を達成し、最後のGAN+CNNシステムは94%の精度を保留テストセット上でのバランスの取れた精度とリコールで達成し、ほぼリアルタイムトリアージに十分な軽量さを維持した。 その結果、アレイと画像チャネルを組み合わせることで、画像のみのアプローチよりも分離性が向上し、控えめな生成の増大は少数派(パルサー)のリコールを大幅に増加させることがわかった。 これらの手法は調査に非依存であり、今後の高出力施設に拡張可能である。

関連論文リスト

• 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)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• The hybrid approach -- Convolutional Neural Networks and Expectation Maximization Algorithm -- for Tomographic Reconstruction of Hyperspectral Images [0.0]
  我々はCTIS(Computed tomography imaging spectrometry)画像から超スペクトルデータ立方体再構成法を提案する。 シミュレーションCTIS画像から,100times100times25$および100times100times100$ボクセルを25および100のスペクトルチャネルに対応付けて,データキューブを再構築する手法の訓練と試験を行った。
  論文  参考訳（メタデータ） (2022-05-31T13:22:02Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Mixed-Precision Neural Network Quantization via Learned Layer-wise Importance [50.00102219630088]
  混合精度量子化(MPQ)は各層に対して最適なビット幅を決定するのを難しくする。 本稿では,すべての指標を同時に取得できる共同学習手法を提案する。 例えば、ResNet18上のインデックスによるMPQ検索は、わずか0.06秒しかかからない。
  論文  参考訳（メタデータ） (2022-03-16T03:23:50Z)
• Finding Strong Gravitational Lenses Through Self-Attention [0.0]
  本稿では,強い重力レンズを見つけるための自己アテンションの原理に基づく新しい自動アーキテクチャを提案する。 ボローニャレンズチャレンジから重力レンズを識別するために,21個の自己注意型エンコーダモデルと4つの畳み込みニューラルネットワークを構築した。
  論文  参考訳（メタデータ） (2021-10-18T11:40:48Z)
• Distributionally Robust Multiclass Classification and Applications in Deep Image Classifiers [3.179831861897336]
  マルチクラスロジスティック回帰(MLR)のための分布ロバスト最適化(DRO)の定式化を開発する。 本研究では,新しいランダムトレーニング手法を採用することにより,試験誤差率を最大83.5%,損失を最大91.3%削減することを示した。
  論文  参考訳（メタデータ） (2021-09-27T02:58:19Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Segmentation of the Left Ventricle by SDD double threshold selection and CHT [18.104323389381126]
  傾斜差分分布(SDD)二重閾値選択と円形ハフ変換(CHT)に基づくロバストなLVセグメンテーション法を提案する。 提案手法は, 自動心臓診断チャレンジ(ACDC)テストセットにおいて96.51%のDICEスコアを得た。
  論文  参考訳（メタデータ） (2020-07-21T08:50:21Z)

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。