論文の概要: Euclid Quick Data Release (Q1). AgileLens: A scalable CNN-based pipeline for strong gravitational lens identification

• arxiv url: http://arxiv.org/abs/2604.06648v1
• Date: Wed, 08 Apr 2026 03:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.326811
• Title: Euclid Quick Data Release (Q1). AgileLens: A scalable CNN-based pipeline for strong gravitational lens identification
• Title（参考訳）: Euclid Quick Data Release (Q1): AgileLens: 強力な重力レンズ識別のためのスケーラブルなCNNベースのパイプライン
• Authors: Euclid Collaboration, X. Xu, R. Chen, T. Li, A. R. Cooray, S. Schuldt, J. A. Acevedo Barroso, D. Stern, D. Scott, M. Meneghetti, G. Despali, J. Chopra, Y. Cao, M. Cheng, J. Buda, J. Zhang, J. Furumizo, R. Valencia, Z. Jiang, C. Tortora, N. E. P. Lines, T. E. Collett, S. Fotopoulou, A. Galan, A. Manjón-García, R. Gavazzi, L. Iwamoto, S. Kruk, M. Millon, P. Nugent, C. Saulder, D. Sluse, J. Wilde, M. Walmsley, F. Courbin, R. B. Metcalf, B. Altieri, A. Amara, S. Andreon, N. Auricchio, C. Baccigalupi, M. Baldi, A. Balestra, S. Bardelli, P. Battaglia, R. Bender, A. Biviano, E. Branchini, M. Brescia, S. Camera, V. Capobianco, C. Carbone, V. F. Cardone, J. Carretero, S. Casas, M. Castellano, G. Castignani, S. Cavuoti, A. Cimatti, C. Colodro-Conde, G. Congedo, C. J. Conselice, L. Conversi, Y. Copin, H. M. Courtois, M. Cropper, A. Da Silva, H. Degaudenzi, G. De Lucia, C. Dolding, H. Dole, F. Dubath, X. Dupac, S. Dusini, S. Escoffier, M. Farina, R. Farinelli, S. Farrens, S. Ferriol, F. Finelli, P. Fosalba, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, W. Gillard, B. Gillis, C. Giocoli, P. Gómez-Alvarez, J. Gracia-Carpio, A. Grazian, F. Grupp, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, K. Jahnke, M. Jhabvala, B. Joachimi, S. Kermiche, A. Kiessling, B. Kubik, M. Kümmel, M. Kunz, H. Kurki-Suonio, A. M. C. Le Brun, S. Ligori, P. B. Lilje, V. Lindholm, I. Lloro, G. Mainetti, E. Maiorano, O. Mansutti, S. Marcin, O. Marggraf, M. Martinelli, N. Martinet, F. Marulli, R. J. Massey, E. Medinaceli, S. Mei, M. Melchior, E. Merlin, G. Meylan, A. Mora, M. Moresco, L. Moscardini, R. Nakajima, C. Neissner, R. C. Nichol, S. -M. Niemi, J. W. Nightingale, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, W. J. Percival, V. Pettorino, G. Polenta, M. Poncet, L. A. Popa, F. Raison, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, R. Saglia, Z. Sakr, D. Sapone, M. Schirmer, P. Schneider, T. Schrabback, A. Secroun, G. Seidel, E. Sihvola, P. Simon, C. Sirignano, G. Sirri, L. Stanco, P. Tallada-Crespí, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, I. Tutusaus, L. Valenziano, J. Valiviita, T. Vassallo, G. Verdoes Kleijn, A. Veropalumbo, Y. Wang, J. Weller, A. Zacchei, G. Zamorani, F. M. Zerbi, E. Zucca, M. Ballardini, M. Bolzonella, C. Burigana, R. Cabanac, M. Calabrese, A. Cappi, T. Castro, J. A. Escartin Vigo, L. Gabarra, S. Hemmati, J. Macias-Perez, R. Maoli, J. Martín-Fleitas, N. Mauri, P. Monaco, A. A. Nucita, A. Pezzotta, M. Pöntinen, I. Risso, V. Scottez, M. Sereno, M. Tenti, M. Tucci, M. Viel, M. Wiesmann, Y. Akrami, I. T. Andika, G. Angora, S. Anselmi, M. Archidiacono, F. Atrio-Barandela, L. Bazzanini, P. Bergamini, D. Bertacca, M. Bethermin, F. Beutler, L. Blot, S. Borgani, M. L. Brown, S. Bruton, A. Calabro, B. Camacho Quevedo, F. Caro, C. S. Carvalho, F. Cogato, S. Conseil, O. Cucciati, S. Davini, G. Desprez, A. Díaz-Sánchez, S. Di Domizio, J. M. Diego, P. -A. Duc, V. Duret, M. Y. Elkhashab, A. Enia, Y. Fang, A. Finoguenov, A. Franco, K. Ganga, T. Gasparetto, E. Gaztanaga, F. Giacomini, F. Gianotti, G. Gozaliasl, M. Guidi, C. M. Gutierrez, A. Hall, C. Hernández-Monteagudo, H. Hildebrandt, J. Hjorth, J. J. E. Kajava, Y. Kang, V. Kansal, D. Karagiannis, K. Kiiveri, J. Kim, C. C. Kirkpatrick, F. Lepori, G. Leroy, G. F. Lesci, J. Lesgourgues, T. I. Liaudat, S. J. Liu, M. Magliocchetti, E. A. Magnier, F. Mannucci, C. J. A. P. Martins, L. Maurin, M. Miluzio, C. Moretti, G. Morgante, K. Naidoo, A. Navarro-Alsina, S. Nesseris, D. Paoletti, F. Passalacqua, K. Paterson, L. Patrizii, A. Pisani, D. Potter, G. W. Pratt, S. Quai, M. Radovich, K. Rojas, W. Roster, S. Sacquegna, M. Sahlén, D. B. Sanders, E. Sarpa, C. Scarlata, A. Schneider, M. Schultheis, D. Sciotti, E. Sellentin, L. C. Smith, K. Tanidis, C. Tao, F. Tarsitano, G. Testera, R. Teyssier, S. Tosi, A. Troja, A. Venhola, D. Vergani, G. Vernardos, G. Verza, S. Vinciguerra, N. A. Walton, A. H. Wright, H. W. Yeung,
• Abstract要約: そこで本研究では,銀河系と銀河系を効果的に同定するためのエンドツーエンド反復パイプラインをEuclid Q1イメージングデータに適用する。 トレーニングセットは27個のシードレンズ(増補1809)と2000個の負の値から30,686枚の画像のカラーデータセットへと成長する。 3回の反復的な微調整の後、最終モデルでランク付けされたトップ4000候補の人間の格付けは、441グレードのA/B候補レンズシステムを生成する。
• 参考スコア（独自算出の注目度）: 0.13025327347396168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an end-to-end, iterative pipeline for efficient identification of strong galaxy--galaxy lensing systems, applied to the Euclid Q1 imaging data. Starting from VIS catalogues, we reject point sources, apply a magnitude cut (I$_E$ $\leq$ 24) on deflectors, and run a pixel-level artefact/noise filter to build 96 $\times$ 96 pix cutouts; VIS+NISP colour composites are constructed with a VIS-anchored luminance scheme that preserves VIS morphology and NISP colour contrast. A VIS-only seed classifier supplies clear positives and typical impostors, from which we curate a morphology-balanced negative set and augment scarce positives. Among the six CNNs studied initially, a modified VGG16 (GlobalAveragePooling + 256/128 dense layers with the last nine layers trainable) performs best; the training set grows from 27 seed lenses (augmented to 1809) plus 2000 negatives to a colour dataset of 30,686 images. After three rounds of iterative fine-tuning, human grading of the top 4000 candidates ranked by the final model yields 441 Grade A/B candidate lensing systems, including 311 overlapping with the existing Q1 strong-lens catalogue, and 130 additional A/B candidates (9 As and 121 Bs) not previously reported. Independently, the model recovers 740 out of 905 (81.8%) candidate Q1 lenses within its top 20,000 predictions, considering off-centred samples. Candidates span I$_E$ $\simeq$ 17--24 AB mag (median 21.3 AB mag) and are redder in Y$_E$--H$_E$ than the parent population, consistent with massive early-type deflectors. Each training iteration required a week for a small team, and the approach easily scales to future Euclid releases; future work will calibrate the selection function via lens injection, extend recall through uncertainty-aware active learning, explore multi-scale or attention-based neural networks with fast post-hoc vetters that incorporate lens models into the classification.
• Abstract（参考訳）: そこで本研究では、銀河の銀河系を効率的に同定するためのエンドツーエンド反復パイプラインを、ユークリッドQ1イメージングデータに適用する。 VISカタログから、点源を拒絶し、デフレクタに等級カット(I$_E$$\leq$24)を適用し、96$\times$96ピクセルカットアウトを構築するために画素レベルのアーティファクト/ノイズフィルタを実行する。 VISのみのシード分類器は明確な正と典型的なインポスタを供給し、形態的バランスの悪いセットを硬化させ、希少な正を増強する。 初期の6つのCNNの中で、修正されたVGG16(GlobalAveragePooling + 256/128の高密度層と最後の9層をトレーニング可能)が最高である。 3回の反復的な微調整の後、最終モデルでランク付けされたトップ4000候補のヒトグレーディングは、441グレードのA/B候補レンズシステムとなり、その中には既存のQ1強レンズカタログと重複する311と、これまでに報告されていない130のA/B候補 (9 As, 121 Bs)が含まれる。 独立して、このモデルは905点(81.8%)の候補Q1レンズのうち740点を上位20,000点の予測で回収する。 候補はI$_E$$\simeq$ 17--24 AB mag (median 21.3 AB mag)で、親集団よりもY$_E$--H$_E$で、大規模な初期型偏向器と一致する。 将来の作業では、レンズ注入による選択機能を校正し、不確実性を認識したアクティブラーニングを通じてリコールを拡張し、レンズモデルを分類に組み込んだ高速なポストホックベッターを備えたマルチスケールまたはアテンションベースのニューラルネットワークを探索する。

関連論文リスト

• LENS: Multi-level Evaluation of Multimodal Reasoning with Large Language Models [59.0256377330646]
  Lensは3.4Kの現代画像と8つのタスクと12の日次シナリオをカバーする60K以上の人間による質問のベンチマークである。 このデータセットは本質的に、基本的な知覚から構成的推論に至るまで、画像不変のプロンプトを処理するためのMLLMの評価をサポートする。 我々は,Qwen2.5-VL-72B,InternVL3-78B,GPT-4oおよび2つの推論モデルQVQ-72B-previewとKim-VLなどの15以上のフロンティアMLLMを評価する。
  論文  参考訳（メタデータ） (2025-05-21T15:06:59Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• Accelerating lensed quasar discovery and modeling with physics-informed variational autoencoders [34.82692226532414]
  強いレンズを持つクエーサーは、宇宙膨張の速度に関する貴重な洞察を与える。 天体画像で検出することは、非レンズ天体の出現により困難である。 物理インフォームド変分オートエンコーダ上に構築したVariLensと呼ばれる生成型ディープラーニングモデルを開発した。
  論文  参考訳（メタデータ） (2024-12-17T09:23:46Z)
• 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)
• When Spectral Modeling Meets Convolutional Networks: A Method for Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data [0.0]
  画像に基づく深層学習により実装された新しい空間幾何学的ベト基準を導入する。 我々は、この手法の最初の応用を、イオン化時代のレンズ付きクエーサーの体系的な探索に適用する。 トレーニングデータセットは、実際の銀河画像の上に偏向した点光源の光を塗って、現実的な銀河クエーサーレンズモデルを生成することで構築される。
  論文  参考訳（メタデータ） (2022-11-26T11:27:13Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• 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)

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。