Feb, 2020

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 神经网络在 TUS 轨道望远镜数据分类中的应用

    采用神经网络对 TUS 荧光望远镜的数据进行分类，证明即使是简单的神经网络结合某些传统数据分析方法也可以在荧光望远镜的数据分类任务中具有高效性。

    Jun, 2021

  • 广域成像技术一：神经网络在目标探测和星系分类中的应用

    使用新的大型 CCD 探测器进行的天文学广域成像带来了前所未有的规模的数据降低问题，该论文提出了一种新的基于神经网络 (NN) 的包 NExt (神经提取器)，可以自动检测物体、执行混合成分消除和恒星 / 星系分类。

    Jun, 2000

  • 使用 Mask R-CNN 深度学习对天文源进行分离和分类

    本篇研究使用深度学习技术对多波段天文图像中的光源进行检测、分类和去混叠处理，构建一个基于 Mask R-CNN 图像处理框架的人工神经网络，并在星系和星星分类的模拟数据下进行了评估，其精度在 92% 的情况下回收率为 80% 的星星数据和 98% 的情况下回收率为 80% 的星系数据。研究还证明，其去混叠功能极为稳定，可用于 LSST 和 WFIRST 等深度图像调查项目。

    Aug, 2019

  • 基于深度学习的目标检测算法识别光变信号。II. 通用光变曲线分类框架

    利用弱监督目标检测模型，通过深度学习框架对光变曲线进行分类，自动提取时间域和频率域数据进行特征提取，以实现对不同尺度和采样间隔的数据处理，达到了 87% 的准确率，无需重新训练或微调，并结合适应性预测确保真实标签覆盖和异常检测算法识别外分布对象，为研究者提供了一个简化设计自定义分类器任务的通用框架。

    Nov, 2023

  • 基于自适应阈值和反向传播神经网络的宇宙物体检测和分割

    基于自适应阈值分割方法和反向传播神经网络的天体物体检测，采用了一系列预处理步骤以增强分割和检测。

    Aug, 2023

  • 使用深度学习和数据增强进行星系检测和识别

    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

  • 使用深度卷积神经网络进行星系分类

    本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

    Aug, 2016

  • 使用人工和机器综合分类的短暂搜索

    该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

    Jul, 2017