論文の概要: Semi-supervised Source Detection in Astronomical Images: New Benchmark and Strong Baseline

• arxiv url: http://arxiv.org/abs/2606.09219v1
• Date: Mon, 08 Jun 2026 08:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.877677
• Title: Semi-supervised Source Detection in Astronomical Images: New Benchmark and Strong Baseline
• Title（参考訳）: 天体画像における半教師付きソース検出:新しいベンチマークと強いベースライン
• Authors: Longhan Feng, Zihuang Cao, Ali Luo, Yuanhao Guo, Shuilian Yao, Yixin Guo, Qi Jia, Yu Liu,
• Abstract要約: 我々は18,400の天体画像と728,898のソースインスタンスからなる新しい総合ベンチマーク(LAMOST-DET)を導入する。 そこで我々は,Sparse アノテーションを付与した高密度ソースを効果的に検出できる,Nova Teacher という新しい半教師付き学習フレームワークを考案した。 LAMOST-DETの実験では、Nova Teacherは従来より4.04%、mAPは5.22%改善している。
• 参考スコア（独自算出の注目度）: 8.046432712887123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source detection in modern observational astronomy is a cornerstone for localizing and identifying stellar sources accurately. It is crucial for studies such as stellar population synthesis and cosmological parameter estimation. However, the characteristics of astronomical images, including high density, the effect of point spread functions and low signal-to-noise ratios, significantly challenge the latest advanced object detectors. Besides, fully-supervised detection methods are hardly practical, due to the significant difficulty in annotating dense, small, and faint sources in astronomical images. To tackle the scarcity of astronomical datasets, we introduce a new comprehensive benchmark (LAMOST-DET), comprising 18,400 astronomical images and 728,898 source instances. Upon the dataset, we further devise a novel semi-supervised learning framework coined Nova Teacher, capable of detecting dense sources effectively given sparse annotations. It integrates source light enhancement module, confidence-guided pseudo-supervision, and cross-view complementary mining in a dual-teacher paradigm. Extensive experiments on LAMOST-DET show that, Nova Teacher consistently improves previous competitors by 4.04% and 5.22% mAP under two semi-supervised settings. Additionally, our method competes against other detectors on a natural image dataset, validating its generalization ability to various scenarios. The source code is available at https://github.com/AcWiz/NovaTeacher.
• Abstract（参考訳）: 現代の観測天文学におけるソース検出は、恒星のソースを正確に特定するための基盤となる。 恒星の集団合成や宇宙論的パラメータ推定などの研究には欠かせない。 しかし、高密度、点拡散関数の効果、信号対雑音比などの天体画像の特徴は、最新の先進天体検出器に大きく挑戦している。 さらに、高密度で小さく、希薄な天体画像のアノテートが難しいため、完全に監督された検出法はほとんど実用的ではない。 天文学的データセットの不足に対処するため、18,400の天体画像と728,898のソースインスタンスからなる新しい総合ベンチマーク(LAMOST-DET)を導入する。 このデータセットを用いて,疎アノテーションを効果的に検出できる,Nova Teacherという新たな半教師付き学習フレームワークを考案した。 ソース光強調モジュール、信頼誘導擬似スーパービジョン、双対教師パラダイムで相互補完的なマイニングを統合している。 LAMOST-DETの大規模な実験によると、Nova Teacherは2つの半教師付き設定の下で、常に従来の競合を4.04%と5.22%のmAPで改善している。 さらに,本手法は自然画像データセット上の他の検出器と競合し,その一般化能力を様々なシナリオで検証する。 ソースコードはhttps://github.com/AcWiz/NovaTeacher.comで入手できる。

関連論文リスト

• Deeper detection limits in astronomical imaging using self-supervised spatiotemporal denoising [28.1551752436114]
  複数の露光情報を統合するASTERIS(Atronomical Transformer-based Denoising Algorithm)を提案する。 ASTERISは点拡散関数と測光精度を保ちながら、完全性と純度90%で検出限界を1.0改善する。 深部JWST画像の適用により、ASTERISは赤方偏移>9銀河系候補の3倍の赤方偏移を識別し、静止フレームの紫外光度1.0は以前の方法よりも小さくなっている。
  論文  参考訳（メタデータ） (2026-02-19T09:51:35Z)
• 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)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• 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)
• Unsupervised Machine Learning for the Classification of Astrophysical X-ray Sources [44.99833362998488]
  我々は、Chandra Source Catalogソースに確率的クラスを提供するための教師なし機械学習アプローチを開発した。 約14,507個の検出結果を含む8,756個の情報源を対象とした確率クラスのカタログを提供する。 分類対象物の特徴分布と確立された天体物理仮説との整合性について検討した。
  論文  参考訳（メタデータ） (2024-01-22T18:42:31Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• Partial-Attribution Instance Segmentation for Astronomical Source Detection and Deblending [0.24920602678297968]
  深層学習モデルに適した方法でソースの検出と検証を可能にする、Partial-Attribution Instancesと呼ばれる新しいアプローチを導入する。 提案手法の実証として,新しいニューラルネットワークの実装を提案する。
  論文  参考訳（メタデータ） (2022-01-12T21:59:13Z)
• Automatic classification of eclipsing binary stars using deep learning methods [0.0]
  本稿では,深層学習を用いた楕円形星の自動分類に着目する。 我々の分類器は、二元星の光曲線を2つのクラスに分類するためのツールを提供する。 最高の性能の分類器は、双方向長短期記憶(LSTM)と1次元畳み込みニューラルネットワークを組み合わせることで、評価セットで98%の精度を達成した。
  論文  参考訳（メタデータ） (2021-08-03T17:28:03Z)

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。