論文の概要: You Only Stack Once (YOSO): A Motion-Filtered, Deep-Learning Framework for Detecting Faint Moving Sources

• arxiv url: http://arxiv.org/abs/2605.06913v1
• Date: Thu, 07 May 2026 20:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.602987
• Title: You Only Stack Once (YOSO): A Motion-Filtered, Deep-Learning Framework for Detecting Faint Moving Sources
• Title（参考訳）: You Only Stack Once (YOSO): モーションフィルター付き深層学習フレームワーク
• Authors: Nitya Pandey, César Fuentes, Pedro Bernardinelli, Valeria Frías, Colin Orion Chandler, David E. Trilling, Matthew J. Holman, Steven Stetzler, Dallin Spencer, Hsing Wen Lin, Luis E. Salazar Manzano, Darin Ragozzine, Ryder Strauss, Mario Jurić, Andrew J. Connolly, Hayden Smotherman, Scott S. Sheppard, Kevin Napier,
• Abstract要約: You Only Stack Once (YOSO)は、ゆっくりと動く太陽系の物体を検知する自動パイプラインである。 このパイプラインはガウス運動フィルタ (GMoF) を統合しており、ピクセルレベルで動作し、さまざまな動きの速度を示す物体の信号と雑音を増強する。 YOSOはこれまでに検出された73件のうち45件を回収し、新たに11件のTNOを回収した。
• 参考スコア（独自算出の注目度）: 0.04269166735453375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present You Only Stack Once (YOSO), an automated pipeline designed to detect faint, slow-moving Solar System objects in wide-field astronomical surveys. The pipeline integrates a novel Gaussian Motion Filter (GMoF) that operates at the pixel level to enhance signal-to-noise for objects exhibiting a range of apparent rates of motion. Unlike conventional shift-and-stack methods, which rely on discrete velocity trials, GMoF amplifies trails while suppressing random noise and static background features. Applied to a subset of DEEP observations from the Dark Energy Camera, YOSO recovered 45 out of 73 previously detected objects, as well as 11 new TNOs. It also discovered 216 objects in the near Solar System. Although alternative shift-and-stack methods are sensitive to objects about 0.88 magnitudes fainter, YOSO's false positive rate is extremely low, since it detects only sources that exhibit a trail and are consistent with a point source when shifted at the right rate. We show how this method can be deployed on large surveys like LSST, and adapted for other domains that require motion-based signal enhancement, including exoplanet imaging through Angular Differential Imaging (ADI), and near-Earth object (NEO) detection for missions like NEO Surveyor. YOSO thus provides a versatile, scalable approach for extracting faint, motion-dependent signals in the era of data-intensive astronomy.
• Abstract（参考訳）: ワイドフィールドの天文学的な調査において、暗くゆっくりと動く太陽系の物体を検出するために設計された自動パイプラインであるYou Only Stack Once (YOSO)を提示する。 このパイプラインはガウス運動フィルタ (GMoF) を統合しており、ピクセルレベルで動作し、さまざまな動きの速度を示す物体の信号と雑音を増強する。 離散速度試験に依存する従来のシフト・アンド・スタック法とは異なり、GMoFはランダムノイズや静的背景特性を抑えながらトレイルを増幅する。 ダークエネルギーカメラによるDEP観測のサブセットに適用されたYOSOは、73個の検出対象のうち45個を回収し、11個の新しいTNOを回収した。 また、近くの太陽系で216個の天体を発見した。 代替シフト・アンド・スタック法は、約0.88等級の物体に対して感度が高いが、YOSOの偽陽性率は極めて低い。 本稿では,この手法がLSSTのような大規模探査にどのように適用可能かを示すとともに,Angular Differential Imaging (ADI)による外惑星イメージングやNEO Surveyorのようなミッションにおける地球近傍物体の検出など,運動に基づく信号強調を必要とする他の領域に適用可能であることを示す。 YOSOは、データ集約天文学の時代において、かすかで動きに依存しない信号を抽出するための多用途でスケーラブルなアプローチを提供する。

関連論文リスト

• 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)
• 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)
• Dim Small Target Detection and Tracking: A Novel Method Based on Temporal Energy Selective Scaling and Trajectory Association [8.269449428849867]
  本稿では,有効検出を実現するための時間的特徴に基づく空間的特徴と実現可能性に基づく難易度の分析を行う。 この分析により,マルチフレームを検出単位とし,時間的エネルギー選択スケーリング(TESS)に基づく検出手法を提案する。 対象画素に対して、画素を通過するターゲットは、画素によって形成される強度時間プロファイル(ITP)に弱い過渡的障害をもたらす。 適切に設計された関数を用いて、過渡的障害を増幅し、背景成分と雑音成分を抑圧し、ターゲットの軌道を多フレーム検出ユニットに出力する。
  論文  参考訳（メタデータ） (2024-05-15T03:02:21Z)
• Adaptive Multi-source Predictor for Zero-shot Video Object Segmentation [68.56443382421878]
  ゼロショットビデオオブジェクトセグメンテーション(ZVOS)のための新しい適応型マルチソース予測器を提案する。 静的オブジェクト予測器では、RGBソースは、同時に深度および静注ソースに変換される。 実験の結果,提案モデルは3つのZVOSベンチマークにおいて最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-18T10:19:29Z)
• ExoplANNET: A deep learning algorithm to detect and identify planetary signals in radial velocity data [0.0]
  放射速度法で検出された信号の意義の計算に代えて,ニューラルネットワークを提案する。 このアルゴリズムは、惑星の伴星を伴わないシステムの合成データを用いて訓練される。 偽陽性は28パーセント減少し、実行時間は従来の方法よりも5桁高速である。
  論文  参考訳（メタデータ） (2023-03-16T14:16:19Z)
• Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions [65.84090965167535]
  本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。 このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
  論文  参考訳（メタデータ） (2022-06-29T18:47:05Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)

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。