该研究介绍了一种用于将计算机视觉应用程序并行化的方法，该应用程序能够自动从非稳定的相机和嘈杂的视频序列中检测流星。该应用程序设计为嵌入气象气球或用于空中观测任务，因此最终目标是一个低功率的片上系统（小于 10 瓦），而软件需要实时计算连续的图像帧（大于每秒 25 帧）。首先，将应用程序划分为任务图，然后应用不同的并行化技术。实验结果表明并行化方法的高效性。例如，在 Raspberry Pi 4 上及高清视频序列上，处理链路达到每秒 42 帧，仅消耗 6 瓦。

Jul, 2023

我们开发了一种使用卷积神经网络进行候选陨石侦测分类的完全自动化流水线，并采用渐变加权类激活映射技术准确定位陨石的最可能像素位置，大大减轻了陨石科学家和站点操作员的工作量，提高了陨石追踪和分类的精确性。

Oct, 2023

该研究通过实施基于云端人工智能的自动化处理流水线和改进数据可视化来简化数据处理，并通过公众参与来提高探测的发现率。该研究描述了自动化数据摄入、处理和洞察生成的过程，并开发了一个交互式网页门户以方便流星辐射地图的可视化。迄今为止，CamS 已经发现了 200 多个新的流星群，并验证了几十个先前报道的流星群。

Aug, 2023

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

介绍了快速移动物体（Fast Moving Object，FMO）的概念和一种用于检测、跟踪和定位 FMO 的方法，该方法包含三个算法，成功地在广泛的条件下定位 FMO，进而实现了时间超分辨率和高亮度显示等应用。

Nov, 2016

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

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

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。

Jan, 2019

该研究开发了一个基于物理引导的 TinyML 框架，通过集成物理模型训练和压缩的方法，提高了实时空间天气预测中磁变扰动预测的准确性和可靠性，并与传统方法进行了综合比较分析。

Nov, 2023

本研究提出了一种扩散模型来检测高频率数据中的快速异常，该模型不需要任何运动组件，优于其他基准方法，可用于卫星数据分析中。

May, 2023