Mini-EUSO 是一个广角荧光望远镜，注册了从国际空间站观测到的地球夜间大气中的紫外（UV）辐射。我们提出了两个简单的人工神经网络，可以高准确率地识别 Mini-EUSO 数据中的流星信号，从而解决了二元分类问题。我们预计类似的架构可以在其他荧光望远镜中有效用于信号识别，无论信号的性质如何。由于其简单性，这些网络可以在未来的轨道或气球实验的机载电子中实施。

Nov, 2023

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

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

本文描述了卷积神经网络（CNN）在粒子物理学领域的应用，尤其是在高能中微子物理学和高能物理学中通常使用的采样量热计中识别粒子相互作用问题上的应用，通过 CVN（卷积视觉网络）算法对中微子相互作用进行拓扑识别，不需要详细重建，优于目前 NOvA 协作组使用的算法。

Apr, 2016

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

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

本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解，为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。

Aug, 2017

采用卷积神经网络来分析 Gamma 射线瞬发源图像数据，可以提高背景拒绝性能并保持分辨能力，为研究 IACT 事件记录提供了可行性。

Mar, 2018

利用卷积神经网络方法，通过观测亮度数据，识别显著对象 —— 超新星的时间序列，并通过高斯过程回归平滑波长时间方向，实现了对全周期和截断型超新星的回顾性和实时分类。

Jul, 2022