Jun, 2023

利用统计和深度学习模型结合多光谱数据，提高高对比度直接成像中外行星的检测

PDF
TL;DR该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。
发现论文，激发创造
  • 高对比度光谱学中的机器学习用于外行星探测：将互相关图和深度学习应用于中分辨率整体场谱

    通过使用监督深度学习算法，将光谱和空间维度相结合，我们开发了一种新的方法，以提高积分场谱学（IFS）数据集的高对比度外行星的检测灵敏度。在将光谱维度转化为径向速度维度后，机器学习算法的真阳率受径向分离变化的影响较小，能够减少误报并提高对直接成像行星在 IFS 数据集中的检测限制。

    May, 2024

  • 利用卷积神经网络在高对比光谱中进行行星外行星检测：揭示交叉相关光谱中隐藏的分子特征

    利用机器学习和分子模板的交叉相关光谱方法提高对系外行星的检测灵敏度，为未来的望远镜和仪器开发提供支持。

    May, 2024

  • 使用深度卷积图像重建的直接系外行星检测（ConStruct）：一种用于后处理高对比度图像的新算法

    我们提出了一种新颖的机器学习方法，用于检测高对比度自适应光学成像数据中的微弱点源。通过利用深度学习在一种新颖的直接成像后处理算法中，我们的方法旨在改进恒星噪声的近似并提高行星探测灵敏度。我们展示了一个卷积自编码神经网络在广泛的实际成像序列参考库上进行训练，能够准确重构潜在行星信号位置的恒星斑点噪声。我们称这个工具为 ConStruct，通过使用真实的 Keck/NIRC2 角差分成像数据集评估了 ConStruct 的可靠性和灵敏度。在我们考察的 30 个独特的点源中，ConStruct 对 67％的情况产生比传统基于 PCA 的处理更高的信噪比，并且相对对比度提高了最多 2.6 倍。这项工作展示了深度学习利用多样的点扩散函数实现来改进直接成像后处理的价值和潜力。ConStruct 及其未来的改进可能特别适用于处理来自詹姆斯・韦伯太空望远镜和极端自适应光学仪器的高对比度图像，无论是对于当前的望远镜还是设计中的 30 米级望远镜。

    Dec, 2023

  • 浅层凌星 - 深度学习 I：探测系外行星周期性凌星的深度学习可行性研究

    使用深度神经网络解决红色（相关）噪声问题，以便更好地侦测未来行星探测空间任务（如 PLATO）中的可居住星球。

    Nov, 2017

  • 一维卷积神经网络检测行星凌变

    开发了一个能够检测来自不同望远镜和调查中的光曲线中的短时（transits）的人工神经网络模型，结果表明 1D CNN 是处理非相位折叠的光曲线具有短时的良好选择，并减少了传统分析所需要的时间。

    Dec, 2023

  • 利用机器学习技术识别和分类系外行星

    本文探讨了如何使用深度学习算法和 Siamese 结构将 Kepler 太空望远镜以及其扩展任务 K2 的数据进行分类，结果表明 Siamese 算法在低数据情况下表现良好，并可用于识别恒星周围行星的存在。

    May, 2023

  • 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

  • 使用一维卷积神经网络计算行星凌星参数

    通过使用模拟的光度曲线注入了类似于行星运动信号的两个一维卷积神经网络模型，在真实数据测试中证明了这些模型能够从恒星去除趋势的光度曲线中表征恒星行星的性质，并且相较于当前的探测和描述算法，降低了所需时间和计算成本。

    Feb, 2024

  • ExoplANNET：一种用于检测和识别径向速度数据中行星信号的深度学习算法

    本文探究了使用神经网络在恒星本身相关噪声影响下的径向速度法中替代传统测试方法的可行性，并取得了较好的结果。通过使用合成的数据，该算法的虚阳性误差降低了 28％，并且其执行速度比传统方法快五个数量级。

    Mar, 2023

  • 太阳多目标多帧盲反卷积及具有空间变化卷积神经模拟器

    该论文介绍了一种利用深度神经网络模拟空间变异卷积的新框架，为天文图像去模糊的效率和准确性带来突破；通过对具有空间不变点扩散函数的图像数据集进行训练，并验证了其适用于空间变异条件，该方法在传统方法上具有显著突破，将卷积模拟器用作太阳图像的多目标多帧盲去模糊算法的前向模型，避免了分块整合技术所带来的伪影现象，从而在处理时间上具有重大的计算优势。

    May, 2024