論文の概要: DeepRed: an architecture for redshift estimation

• arxiv url: http://arxiv.org/abs/2602.11281v1
• Date: Wed, 11 Feb 2026 19:00:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.494176
• Title: DeepRed: an architecture for redshift estimation
• Title（参考訳）: DeepRed: レッドシフト推定のためのアーキテクチャ
• Authors: Alessandro Meroni, Nicolò Oreste Pinciroli Vago, Piero Fraternali,
• Abstract要約: 深層学習パイプラインは、銀河、重力レンズ、超新星の画像から、どのように赤方偏移を推定できるかを示す。 提案手法は,全データセットの最先端結果を実現する。 これらの結果は、大規模調査において、ディープラーニングは、レッドシフト推定のためのスケーラブルで堅牢で解釈可能なソリューションであることを示している。
• 参考スコア（独自算出の注目度）: 42.231769414215435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating redshift is a central task in astrophysics, but its measurement is costly and time-consuming. In addition, current image-based methods are often validated on homogeneous datasets. The development and comparison of networks able generalize across different morphologies, ranging from galaxies to gravitationally-lensed transients, and observational conditions, remain an open challenge. This work proposes DeepRed, a deep learning pipeline that demonstrates how modern computer vision architectures, including ResNet, EfficientNet, Swin Transformer, and MLP-Mixer, can estimate redshifts from images of galaxies, gravitational lenses, and gravitationally-lensed supernovae. We compare these architectures and their ensemble to both neural networks (A1, A3, NetZ, and PhotoZ) and a feature-based method (HOG+SVR) on simulated (DeepGraviLens) and real (KiDS, SDSS) datasets. Our approach achieves state-of-the-art results on all datasets. On DeepGraviLens, DeepRed achieves a significant improvement in the Normalized Mean Absolute Deviation compared to the best baseline (PhotoZ): 55% on DES-deep (using EfficientNet), 51% on DES-wide (Ensemble), 52% on DESI-DOT (Ensemble), and 46% on LSST-wide (Ensemble). On real observations from the KiDS survey, the pipeline outperforms the best baseline (NetZ), improving NMAD by 16% on a general test set without high-probability lenses (Ensemble) and 27% on high-probability lenses (Ensemble). For non-lensed galaxies in the SDSS dataset, the MLP-Mixer architecture achieves a 5% improvement over the best baselines (A3 and NetZ). SHAP shows that the models correctly focus on the objects of interest with over 95% localization accuracy on high-quality images, validating the reliability of the predictions. These findings suggest that deep learning is a scalable, robust, and interpretable solution for redshift estimation in large-scale surveys.
• Abstract（参考訳）: 赤方偏移の推定は天体物理学の中心的な課題であるが、その測定は高価で時間を要する。 さらに、現在の画像ベースの手法は、しばしば同質なデータセット上で検証される。 銀河から重力に満ちたトランジェント、観測条件まで、様々な形態をまたいで一般化できるネットワークの開発と比較は、未解決の課題である。 この研究は、ResNet、EfficientNet、Swin Transformer、MLP-Mixerといった現代のコンピュータビジョンアーキテクチャが、銀河、重力レンズ、重力レンズのイメージからどのように赤方偏移を推定できるかを示すディープラーニングパイプラインであるDeepRedを提案する。 これらのアーキテクチャとそれらのアンサンブルを、ニューラルネットワーク(A1, A3, NetZ, PhotoZ)とシミュレーション(DeepGraviLens)と実(KiDS, SDSS)データセット上の機能ベース手法(HOG+SVR)の両方と比較する。 提案手法は,全データセットの最先端結果を実現する。 DeepGraviLensでは、DES-deep(EfficientNetを使用)が55%、DES-wide(Ensemble)が51%、DSI-DOT(Ensemble)が52%、LSST-wide(Ensemble)が46%である。 KiDSによる実際の観測では、パイプラインは最高のベースライン(NetZ)を上回り、高確率レンズ(Ensemble)のない一般的なテストセットではNMADが16%向上し、高確率レンズでは27%向上した(Ensemble)。 SDSSデータセットでは、MLP-Mixerアーキテクチャは最高のベースライン(A3とNetZ)よりも5%改善されている。 SHAPは、高品質な画像に対して95%以上の局所化精度で関心のある対象に正しく焦点を合わせ、予測の信頼性を検証している。 これらの結果は、大規模調査において、ディープラーニングは、レッドシフト推定のためのスケーラブルで堅牢で解釈可能なソリューションであることを示している。

関連論文リスト

• Photometric Redshift Estimation Using Scaled Ensemble Learning [4.575096688254749]
  本研究では、暗黒銀河と高次赤方偏移領域のPz予測を目的とした、新しいアンサンブルベースのMLフレームワークを提案する。 タグ付き入力データを使用することで、アンサンブルアプローチはスタンドアローンモデルよりも予測性能が向上する。 その結果,Pz推定の精度と信頼性は著しく向上した。
  論文  参考訳（メタデータ） (2026-01-12T07:55:24Z)
• DEPTHOR++: Robust Depth Enhancement from a Real-World Lightweight dToF and RGB Guidance [14.818201604060144]
  DEPTHOR++は実用的で斬新な深度補完フレームワークである。 3つの重要な側面からのdToF入力に頑健さを増す。 ZJU-L5データセットと実世界のサンプルに基づいて、トレーニング戦略は既存の深度補完モデルを大幅に強化する。
  論文  参考訳（メタデータ） (2025-09-30T16:41:11Z)
• ROVR-Open-Dataset: A Large-Scale Depth Dataset for Autonomous Driving [62.9051914830949]
  実世界の運転の複雑さを捉えるために設計された,大規模で多様で費用効率のよい深度データセットであるROVRを提案する。 軽量な取得パイプラインは、スケーラブルなコレクションを保証すると同時に、統計的に十分な基礎的真実は堅牢なトレーニングをサポートする。 最先端の単分子深度モデルによるベンチマークでは、厳密なクロスデータセットの一般化失敗が示される。
  論文  参考訳（メタデータ） (2025-08-19T16:13:49Z)
• DEPTHOR: Depth Enhancement from a Practical Light-Weight dToF Sensor and RGB Image [8.588871458005114]
  本稿では,コンピュータビジョンにおける深度向上のための新しい補完方式DEPTHORを提案する。 まず、合成データセットの正確な基底真理から実世界のdToFデータをシミュレートし、ノイズロバストトレーニングを可能にする。 第2に,グローバルな深度関係と文脈情報を利用して,単眼深度推定(MDE)を組み込んだ新しいネットワークを設計し,課題領域の予測を改善する。
  論文  参考訳（メタデータ） (2025-04-02T11:02:21Z)
• CAE-Net: Generalized Deepfake Image Detection using Convolution and Attention Mechanisms with Spatial and Frequency Domain Features [0.6700983301090583]
  クラス不均衡に対処し,アンサンブルベースのアーキテクチャであるemphCAE-Netを考案した。 私たちのアーキテクチャは、畳み込みと注目に基づくアンサンブルネットワークで構成されており、3つの異なるニューラルネットワークアーキテクチャを採用している。 EfficientNet B0アーキテクチャは90.79%、ConvNeXtアーキテクチャは89.49%、DeiTアーキテクチャは89.32%である。
  論文  参考訳（メタデータ） (2025-02-15T06:02:11Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• 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)
• Low Light Image Enhancement via Global and Local Context Modeling [164.85287246243956]
  低照度画像強調のためのコンテキスト認識ディープネットワークを導入。 まず、全空間領域上の補完的な手がかりを見つけるために空間相関をモデル化するグローバルコンテキストモジュールを特徴とする。 第二に、比較的大きな受容フィールドで局所的なコンテキストをキャプチャする密な残留ブロックを導入する。
  論文  参考訳（メタデータ） (2021-01-04T09:40:54Z)
• RGB2LIDAR: Towards Solving Large-Scale Cross-Modal Visual Localization [20.350871370274238]
  我々は,大規模なモーダルな視覚的位置決めの重要かつ未解明な問題について検討する。 我々は550万組のRGBと空中LIDAR深度画像を含む新しいデータセットを導入する。 両モードの外観と意味的手がかりを効果的に組み合わせた新しい結合埋め込み方式を提案する。
  論文  参考訳（メタデータ） (2020-09-12T01:18:45Z)
• Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
  RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。 本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T04:33:36Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。