論文の概要: Trajectory-Agnostic Asteroid Detection in TESS with Deep Learning
- arxiv url: http://arxiv.org/abs/2605.12391v1
- Date: Tue, 12 May 2026 16:56:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:57.033663
- Title: Trajectory-Agnostic Asteroid Detection in TESS with Deep Learning
- Title（参考訳）: ディープラーニングを用いたTESSにおける軌道非依存型ステロイド検出
- Authors: Brian P. Powell, Jorge Martinez-Palomera, Amy Tuson, Christina Hedges, Jessie Dotson, Jordan Caraballo-Vega,
- Abstract要約: 機械学習を用いて,TESSデータから移動物体を抽出する新しい手法を提案する。
提案手法では,2つの積み重ねた3次元U-Netとスキップ接続を用いて,背景をフィルタし,TESS画像時系列データに含まれる移動物体を含む画素を識別する。
また、ニューラルネットワークが最適なデータ処理に必要な理想的な範囲とスケーリング分布を学習できるようにする、Adaptive Normalization(適応正規化)と呼ばれる学習データスケーリングの新しい手法を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel method for extracting moving objects from TESS data using machine learning. Our approach uses two stacked 3D U-Nets with skip connections, which we call a W-Net, to filter background and identify pixels containing moving objects in TESS image time-series data. By augmenting the training data through rotation of the image cubes, our method is robust to differences in speed and direction of asteroids, requiring no assumptions for either parameter range which are typically required in "shift-and-stack" type algorithms. We also developed a novel method for learned data scaling that we call Adaptive Normalization, which allows the neural network to learn the ideal range and scaling distribution required for optimal data processing. We built a code for creating TESS training data with asteroid masks that served as the foundation of our effort (tess-asteroid-ml), which we publicly released for the benefit of the community. Our method is not limited to TESS, but applicable for implementation in other similar time-domain surveys, making it of particular interest for use with data from upcoming missions such as the Nancy Grace Roman Space Telescope and NEOSurveyor.
- Abstract（参考訳）: 機械学習を用いて,TESSデータから移動物体を抽出する新しい手法を提案する。
提案手法では,2つの積み重ねた3次元U-Netとスキップ接続を用いて,背景をフィルタし,TESS画像時系列データに含まれる移動物体を含む画素を識別する。
画像立方体を回転させてトレーニングデータを増強することにより、小惑星の速度と方向の差に頑健であり、「シフト・アンド・スタック」型アルゴリズムで通常必要とされるパラメータ範囲の仮定は不要である。
また、ニューラルネットワークが最適なデータ処理に必要な理想的な範囲とスケーリング分布を学習できるようにする、Adaptive Normalization(適応正規化)と呼ばれる学習データスケーリングの新しい手法を開発した。
我々は、小惑星マスクを用いたTESSトレーニングデータを作成するためのコードを構築し、コミュニティの利益のために公開し、我々の努力の基礎となった(tess-asteroid-ml)。
我々の手法はTESSに限らず、他の時間領域の調査でも適用可能であり、ナンシー・グレイス・ロマン宇宙望遠鏡やNEOSurveyorのような今後のミッションのデータに特に興味がある。
関連論文リスト
- Model Selection with a Shapelet-based Distance Measure for Multi-source Transfer Learning in Time Series Classification [6.875312133832079]
時系列分類のための転送学習に複数のデータセットを選択し,利用する新しい手法を提案する。
提案手法は,ニューラルネットワークを事前学習するための1つのソースデータセットとして,複数のデータセットを組み合わせる。
時系列データセットにおける時間畳み込みニューラルネットワーク(CNN)の性能向上が可能であることを示す。
論文 参考訳（メタデータ） (2024-09-30T06:57:30Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - An Adaptive Threshold for the Canny Edge Detection with Actor-Critic
Algorithm [0.0]
ディープラーニングに基づくオブジェクト検出アルゴリズムでは、検出能力は古典的バックグラウンドサブトラクション(BGS)アルゴリズムよりも優れている。
本稿では、時間的・空間的な情報を抽出できる前景時間融合ネットワーク(STFN)を提案する。
提案アルゴリズムは、LASIESTAとSBIデータセットの最新のディープラーニング手法よりも11.28%と18.33%高い。
論文 参考訳（メタデータ） (2022-09-19T01:15:32Z) - 3D Annotation Of Arbitrary Objects In The Wild [0.0]
SLAM, 3D再構成, 3D-to-2D幾何に基づくデータアノテーションパイプラインを提案する。
このパイプラインは、任意のオブジェクトのピクセル単位のアノテーションとともに、3Dおよび2Dバウンディングボックスを作成することができる。
以上の結果から, セマンティックセグメンテーションと2次元バウンディングボックス検出において, 約90%のインターセクション・オーバー・ユニオン(IoU)が一致していることがわかった。
論文 参考訳（メタデータ） (2021-09-15T09:00:56Z) - Towards Efficient and Data Agnostic Image Classification Training
Pipeline for Embedded Systems [0.0]
本研究は,画像分類における最新の拡張および正規化手法の見直しに重点を置いている。
各タスクにパラメータを手動で調整することなく、様々なダウンストリーム画像分類タスクにおいて合理的なパフォーマンスを実現することができる。
結果モデルは計算効率が良く、OpenVINOツールキットを使ってCPUにデプロイできる。
論文 参考訳（メタデータ） (2021-08-16T12:38:05Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-02T07:50:50Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳（メタデータ） (2021-04-23T17:59:28Z) - Auxiliary-task learning for geographic data with autoregressive
embeddings [1.4823143667165382]
本研究では,空間データの自己回帰性に関する情報を学習プロセスに直接埋め込む手法であるSXLを提案する。
局所空間自己相関の一般的な尺度である局所モランIを用いて、局所空間効果の方向と大きさを学習する。
我々は,教師なしおよび教師なしの学習タスクにおいて,ニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
論文 参考訳（メタデータ） (2020-06-18T12:16:08Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z) - Neural Data Server: A Large-Scale Search Engine for Transfer Learning
Data [78.74367441804183]
我々は,ターゲットドメインに最も有用な転送学習データを見つけるための大規模検索エンジンであるNeural Data Server (NDS)を紹介した。
NDSは、いくつかの人気のある画像データセットをインデックスするデータサーバで構成され、クライアントにデータを推奨することを目的としている。
我々は,NDSが様々な伝達学習シナリオにおいて有効であることを示し,複数のターゲットデータセットに対して最先端の性能を示す。
論文 参考訳（メタデータ） (2020-01-09T01:21:30Z)
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。