MMJan, 2019

使用基于云的容器化应用程序在天文图像中检测近地小行星的 NEARBY 平台

PDF
TL;DR文章介绍了一个名为 NEARBY 的软件平台，该平台支持在星空图像中自动探测移动源（小行星），探测过程基于经典的 “眨眼” 检测法，并辅以静态和动态呈现以验证移动源。
near earth objectsnear earth asteroidsneosneasautomated detection
发现论文，激发创造
  • NEARBY 平台：天文图像中自动探测小行星的算法

    该研究论文介绍了一种使用大数据处理和分析，利用可视化分析技术进行快速人工数据验证的 NEO 检测算法，并将其集成到了自动化 MOPS 处理流水线中，以识别基于闪烁法的运动空间物体。

    Jan, 2019

  • 小行星自动侦测原型

    本文提供了一种基于 Python 编写的自动化流水线原型来解决 NEAs 检测的问题，以替代人工检测的方法。

    Jan, 2019

  • Palomar 瞬变工厂调查中的小型近地小行星：一种实时梳状体检测系统

    这篇论文采用机器学习的方法实时发现小型、高角速度的近地小行星，并研究了如何比较不同观测系统对高角速度行星的观测能力，为 Zwicky Transient Facility 的建设提供了参考。

    Sep, 2016

  • 基于 CNN 的小行星附近导航的本地特征

    通过轻量级特征提取器，本研究采用视觉为基础的接近导航方法解决小行星探测任务中的挑战，提供了在照明变化和仿射变换下具有稳健性的特征提取方法，同时将合成图像和实际数据结合以验证其有效性。通过该研究，取得了在小行星导航领域准确导航和定位的成果，并为未来的研究提供了有价值的见解。

    Sep, 2023

  • ATLAS: 高频率全天巡天系统

    我们设计并构建了一个用于监测近地小行星、超新星、短暂现象及变星的天文观测系统 ATLAS，其通过对全天空的实时监测，能够准确地及时发现变化现象并对其进行跟踪。

    Feb, 2018

  • 利用机器学习检测移动物体

    太阳系小天体的科学研究最终从对这些天体的搜索开始。本章对使用机器学习技术在天文图像中寻找移动天体（包括自然和人造天体）的方法进行了综述。综述包括了传统非机器学习技术的简要回顾以及相对不成熟的机器学习文献中的三大类方法：流迹检测、图像序列中移动点源的检测以及位移堆叠搜索中移动源的检测。在大多数情况下，人们使用卷积神经网络，这是很自然的选择。文章还介绍了两个例子网络：一种我设计的残差网络，用于各种位移堆叠搜索，以及一种专门设计用于预测源亮度及其不确定性的卷积神经网络。在讨论文献和例子网络时，我还讨论了机器学习技术的各种潜在问题，包括过拟合的重要问题。我还讨论了与机器学习技术相关的各种陷阱以及在将机器学习应用于新问题时的最佳实践方法，包括创建稳健的训练集、验证和避免过拟合的训练方法。

    May, 2024

  • Euclid：使用深度学习在模拟图像中识别小行星轨迹

    通过使用深度学习方法，我们建立、训练和测试了一种机器学习流程，可以提高在 Euclid 图像中检测小行星痕迹的能力，大大增加了检测到的小行星数量。

    Oct, 2023

  • 宽视场小口径望远镜中深度神经网络探测和分类天文目标

    本文提出一种基于深度神经网络的天文目标检测和分类框架，通过应用 Faster R-CNN 概念及使用修改的 Resnet-50 作为骨干网络和一个特征金字塔网络来提取不同天文目标的图像特征，以提高框架的泛化能力。通过模拟和真实观测图像来训练神经网络，实现天体目标的自动检测和分类，并可以部署在 Nvidia Jetson Xavier 等嵌入式设备上进行实时检测和分类。

    Feb, 2020

  • 小行星撞击预警系统

    我们描述了一个早期警报系统（ATLAS），可以提供大多数可撞击地球的中等大小的小行星或彗星的一周通知。该系统由两个天文台组成，可以立即实施，并具有相对较低的成本。

    Nov, 2010

  • 利用基于事件的视觉技术追踪从活跃小行星 Bennu 喷射出的微粒

    该研究论文介绍了一种基于事件的解决方案，利用科学事件相机重建小型太阳系天体附近观测到的颗粒喷出事件，并提供了用于未来事件驱动多目标追踪的时空数据。

    Sep, 2023