論文の概要: StreakMind: AI detection and analysis of satellite streaks in astronomical images with automated database integration

• arxiv url: http://arxiv.org/abs/2605.03429v1
• Date: Tue, 05 May 2026 07:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.810788
• Title: StreakMind: AI detection and analysis of satellite streaks in astronomical images with automated database integration
• Title（参考訳）: StreakMind: 自動データベース統合による天文画像中の衛星ストリークのAI検出と解析
• Authors: Rafael Carrillo Navarro, René Duffard, Pablo García-Martín, Javier Romero, Nicolás Morales, Luis Gonçalves,
• Abstract要約: StreakMindは、天体画像中の地球近傍物体と衛星ストリークを検出するために設計された自動パイプラインである。 YOLO OBBモデルは2335画像のハイブリッドデータセットでトレーニングされ、FITSフレームに適用される。 不安定なストリークを確実に検出し、一貫した幾何的な再構築を行い、頑丈な衛星の相互識別を実行した。
• 参考スコア（独自算出の注目度）: 0.7688353610648074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial satellites and space debris increasingly contaminate astronomical images, affecting scientific surveys and producing large volumes of streaked exposures. Manual inspection is no longer feasible at scale, and reliable detection and characterisation of streaks has become essential for both data-quality control and the monitoring of objects in Earth orbit. We present StreakMind, an automated pipeline designed to detect Near-Earth Objects and satellite streaks in astronomical images, characterise their geometry, and cross-identify them with known orbital objects. The system integrates all inference results into a structured database suitable for large surveys. A YOLO OBB model was trained on a hybrid dataset of 2335 images and applied to processed FITS frames. Geometric refinement, inter-frame association, satellite cross-identification, and Gaussian-based confidence scoring were then used to produce final identifications stored in a relational database. Observations from La Sagra Observatory were used to develop and test the method. On the test set, the model achieved a precision of 94 percent and a recall of 97 percent. It reliably detected faint streaks, delivered consistent geometric reconstructions, and performed robust satellite cross-identification. StreakMind demonstrates strong potential for large-scale automated analysis of linear streaks produced by both Near-Earth Objects and artificial satellites, contributing to space situational awareness.
• Abstract（参考訳）: 人工の衛星と宇宙の破片は、ますます天文学的なイメージを汚染し、科学的な調査に影響を与え、大量のストレーク露光を発生させる。 手動検査はもはや大規模では実現不可能であり、データ品質制御と地球周回軌道における物体の監視の両方に信頼性の高いストリークの検出と特徴付けが欠かせないものとなっている。 StreakMindは、地球近傍の天体と衛星のストリークを検出し、その形状を特徴付け、既知の軌道オブジェクトと相互に識別するように設計された自動パイプラインである。 このシステムは,すべての推論結果を大規模調査に適した構造化データベースに統合する。 YOLO OBBモデルは2335画像のハイブリッドデータセットでトレーニングされ、FITSフレームに適用される。 その後、幾何学的精細化、フレーム間結合、衛星横断識別、ガウスに基づく信頼度スコアリングを用いて、関係データベースに格納された最終的な識別情報を生成する。 ラ・サグラ天文台からの観測は、この手法の開発と試験に使われた。 テストセットでは、モデルの精度は94%、リコールは97%だった。 不安定なストリークを確実に検出し、一貫した幾何的な再構築を行い、頑丈な衛星の相互識別を実行した。 StreakMindは、地球近傍オブジェクトと人工衛星の両方が生成する線形ストリークを大規模に自動解析する可能性を示し、宇宙の状況認識に寄与している。

関連論文リスト

• Analyzing Data Quality and Decay in Mega-Constellations: A Physics-Informed Machine Learning Approach [1.3509194648045753]
  本研究は,メガコンステレーション(スターリンク)のための公開エフェメリスデータの正確性と信頼性を批判的に評価する。 約1500基のStarlink衛星の2ヶ月の実際の軌道データを解析することにより、高精度数値アルゴリズムと公表されたエフェメリドの相違を識別する。 軌道離脱時の衛星の加速度プロファイルを抽出し、再突入時の非保存力の影響に関する洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-13T10:28:23Z)
• 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)
• SpaceTrack-TimeSeries: Time Series Dataset towards Satellite Orbit Analysis [7.471495336112591]
  本研究は、Starlink衛星からの操作行動の代表的なデータセットを収集し、キュレートする。 このデータセットは、TLE(Two-Line Element)カタログデータと対応する高精度なエフェメリスデータを統合することで、より現実的で多次元的な宇宙物体の挙動モデリングを可能にする。 これは、機動検出法の実践的な展開と、ますます混雑する軌道環境における衝突リスクの評価に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-16T01:57:50Z)
• A New Statistical Model of Star Speckles for Learning to Detect and Characterize Exoplanets in Direct Imaging Observations [37.845442465099396]
  本稿では,マルチスケールアプローチを用いてニュアンス変動を捉える新しい統計モデルを提案する。 これは解釈可能なエンドツーエンドの学習可能なフレームワークに統合され、同時に外惑星の検出とフラックス推定を行う。 提案手法は, 計算効率が高く, 各種データ品質に対して頑健であり, 大規模観測調査に適している。
  論文  参考訳（メタデータ） (2025-03-21T13:07:55Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。 各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Reconstructing Satellites in 3D from Amateur Telescope Images [44.20773507571372]
  本稿では,ハイブリッド画像前処理パイプラインを統合することで,障害を克服する新しい計算イメージングフレームワークを提案する。 我々は,中国の江東宇宙ステーションと国際宇宙ステーションの合成衛星データセットとオンスキー観測の両方にアプローチを検証した。 我々のフレームワークは地球からの高忠実度3D衛星監視を可能にし、宇宙状況認識のためのコスト効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2024-04-29T03:13:09Z)
• SpectraNet: Learned Recognition of Artificial Satellites From High Contrast Spectroscopic Imagery [0.0]
  観測データから物体の識別を抽出する現在の方法は、低軌道上の物体に対する識別を制限する空間的に解決された画像を必要とする。 しかし、ほとんどの人工衛星は、地上の観測所が空間情報の解決を禁止している距離で静止軌道で運用されている。 本稿では,残差畳み込みニューラルネットワークを応用したオブジェクト識別手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T19:51:00Z)
• Pattern Recognition Scheme for Large-Scale Cloud Detection over Landmarks [6.297735260720704]
  本稿では,Meteosat Second Generation (MSG)データを用いて,ランドマーク上の雲の存在を検出できる完全なパターン認識手法を提案する。 結果はクラウド検出精度と計算コストの観点から分析される。
  論文  参考訳（メタデータ） (2020-12-08T09:53:08Z)

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。