Apr, 2019

DeepStreaks：使用深度学习在 Zwicky 瞬变设施数据中识别快速运动的物体

PDF
TL;DR使用卷积神经网络的 DeepStreaks 系统能够高效、准确地识别和追踪 ZTF 所捕获的高速行星，有效减少人工识别的时间和准确性。
deepstreaksconvolutional-neural-networkzwicky transient facilitynear-earth objectssensitivity
发现论文，激发创造
  • Zwicky 瞬变设施：数据处理、产品和档案

    Zwicky Transient Facility (ZTF) is a time-domain survey utilizing a unique image-differencing algorithm, sensitive photometry, and data-rich alert packets to detect and track variable sources of all varieties, in real time, for a wide range of scientific applications.

    Feb, 2019

  • 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

  • ZTF 瞬变天文台：系统概述、性能和首批结果

    Zwicky Transient Facility (ZTF) 是一项新的光学时域巡天，使用 Palomar 48 英寸 Schmidt 望远镜，所采用的自定义广角相机提供了 47 平方度的视场和 8 秒的读出时间，相对于其前身巡天 Palomar Transient Factory（PTF），提高了一个数量级的观测速度。该研究描述了相机和观测系统的设计和实现，以及数据处理和分析方案，最终给出了 ZTF 的初步科学结果和性能分析。

    Feb, 2019

  • 利用深度学习对 Zwicky 瞬变设施进行真假分类

    本文介绍了一种卷积神经网络深度学习算法（braai），用于识别天文学巡天过程中由 Zwicky 瞬变观测设备产生的真实物理事件和对象，开发者还描述了用于存档和访问 ZTF 警报和光度曲线的开源软件工具，以及用于标记数据的 Zwickyverse。同时报道了分类器部署在边缘张量处理单元（TPUs）上的初步结果展示了与准确度相抵触的更（成本）高效的状态 - 最先进的性能，这对当前和未来市场调查具有重要的影响。

    Jul, 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

  • 基于深度神经网络的宽视场小口径望远镜光度学与星表定位框架

    本文扩展了基于深度神经网络的天文目标检测算法的能力以适用于光度学和星位学，并提出了使用迁移学习策略来训练神经网络的方法以减少算法中的认知不确定性。 该算法可在 0.125 秒内处理一幅图像并以高精度获得天体对象的类型，位置和大小，可用于增强 WFSATs 的响应速度和检测能力以便探测域内天文事件。

    Jun, 2021

  • 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

  • RAPID: 基于深度学习的爆炸式瞬变早期分类

    RAPID 是一个用于时间序列分类的深度递归神经网络工具，可自动从初始警报的一天内到完整光度曲线的整个生命周期内识别瞬变现象，并且无需从数据中提取计算量昂贵的特征，因此非常适合处理 ZTF 和 LSST 等广域巡天发现的数百万警报。

    Mar, 2019

  • 使用神经网络在小口径广视场望远镜中进行光学瞬变天体分类

    本文提出了两种基于神经网络的瞬变分类方法，并通过对真实观测数据的测试发现，这两种方法均可以达到超过 94％的分类准确度，但它们对于不同目标具有不同的分类特性。基于这一结果，我们建议使用集成学习方法进一步提高分类准确性至超过 97％。

    Apr, 2019

  • 临时时间戳分类器：分类天文预警的短序列

    通过使用 Zwicky Transient Facility（ZTF）调查报告的警报，本研究提出了一种基于深度学习的天体对象分类模型。该模型通过使用每个警报中包含的戳图像和元数据以及 All-WISE 目录的特征作为输入，能够识别出三类天体对象：活跃星系核（AGN）、超新星（SNe）和变星（VS）。在 2 到 5 次检测时，该模型在测试集中的准确率约为 98%。通过对原始戳分类器模型进行结构改变和添加随机旋转，后者的性能得到了改善，在测试准确率上增加了 1.46%。

    May, 2024