天文图像高级处理
电子辅助天文学通过将数码相机与望远镜耦合捕捉深空图像,显示通过直接观察无法看到的天文对象。我们展示了图像质量评估在自动评级天文图像方面的应用,并利用自动化机器学习开发了专用模型。
Nov, 2023
该论文从天文学角度全面阐述了自适应光学技术的重要性,讨论了自适应光学技术在提高地面望远镜的视场分辨率,促进对众多天文过程的深入了解等方面的作用,并介绍了下一代自适应光学技术的发展需求。
Jan, 2012
本文回顾了数据挖掘和机器学习在天文学中的应用现状,介绍了常见的机器学习算法,以及数据挖掘在天文学中的广泛应用。文章指出,只要选择合适的算法并遵循天文学问题的引导,数据挖掘可以成为一种强大的工具,而不是一个可疑的黑盒子。
Jun, 2009
本研究概述了在现有和未来的设备上使用光学干涉术进行图像重建的潜在益处。通过模拟特定天体环境并盲重建,发现该技术可提供准确的形态信息,并能够应用于多种天体学主题。同时,还探讨了如何改进图像重建和提高图像质量,指出当前的干涉仪设备,特别是 6 至 10 望远镜配置的光学干涉仪,可用于创建复杂场景的图像。
Apr, 2012
本文综合了人工智能技术的发展历史和望远镜关键技术的困难,全面介绍了望远镜智能化的发展和研究热点,对各种研究方向进行了统计分析和评估,指出了各望远镜智能化研究方向的趋势,并根据人工智能技术的优势和望远镜的发展趋势,给出了望远镜智能化未来的研究热点。
Jun, 2023
尽管机器学习方法在天文学领域得到了广泛应用且不断发展,但目前天体物理文献中对于实施机器学习模型和报告结果的最佳实践、挑战和局限性,往往尚未完全报道。因此,本文旨在为天文学界的作者、审稿人和编辑提供入门指南,解决该问题,并确保结果的准确性、研究结果的可重复性和方法的实用性。
Oct, 2023
本文提出了一种自动检测和分类星系的方法,并使用新型数据增强程序来使训练模型更加健壮,以适应来自不同仪器和对比度拉伸函数的数据。该方法是 AstroCV 的一部分, AstroCV 是一个开源的计算机视觉库,用于处理和分析大型天文数据集,包括高性能的 Python 和 C++ 算法,它利用卷积神经网络和深度学习技术训练模型,提供的结果优于基于手动特征工程和 SVM 的方法。
Sep, 2018
本文总结了 Sloan Digital Sky Survey(SDSS)项目的特性,讨论了软件基础设施,并概述了 SDSS 图像处理管道的架构。然后,我们讨论了 SDSS 图像处理中使用的两种算法:基于 KL 变换的 PSF 空间变化建模以及在星 / 星系分离中使用星系模型。最后,第一作者对天文学界在大型软件项目方面面临的挑战提出了个人观点。
Jan, 2001
本文提出了一种基于深度学习的新方法 ConvEntion,它利用天文图像时间序列中的时空特征对不同类型的天文空间物体进行直接分类,相较于其他基于图像时间序列及光度曲线的方法,该方法取得了 13% 至 12% 的准确率提升。
Apr, 2023