Oct, 2023

Euclid：使用深度学习在模拟图像中识别小行星轨迹

PDF
TL;DR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。
asteroidseucliddeep learningpipelinedetections
发现论文，激发创造
  • 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

    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。

    Apr, 2019

  • 小行星自动侦测原型

    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

  • 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

  • NEARBY 平台：天文图像中自动探测小行星的算法

    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

  • 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

    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。

    Jun, 2023

  • 基于学习的实时微弱太空碎片探测器

    本文提出了一种基于局部对比度和最大似然估计的低信噪比杂线提取方法，可高效检测信噪比为 2.0 的空间物体，具有高速和高精度，保证了在高动态目标提取方面具有广泛应用前景。

    Sep, 2023

  • 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

  • 不是行星：使用机器学习从行星猎人 TESS 中去除虚假阳性

    使用一维卷积神经网络（CNN）从潜在行星候选者中将掩星双星和其他假阳性分离出来，从而减少需要人工审核的光曲线数量。该方法可将需要手动审核的光曲线数量减少三分之一，并且对行星候选者的误分类非常小。

    May, 2024

  • 用于分类、检测和预测斯隆数字天区 Stripe 82 类星体光度红移的深度学习方法

    本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。

    Dec, 2017

  • 利用机器学习检测移动物体

    太阳系小天体的科学研究最终从对这些天体的搜索开始。本章对使用机器学习技术在天文图像中寻找移动天体（包括自然和人造天体）的方法进行了综述。综述包括了传统非机器学习技术的简要回顾以及相对不成熟的机器学习文献中的三大类方法：流迹检测、图像序列中移动点源的检测以及位移堆叠搜索中移动源的检测。在大多数情况下，人们使用卷积神经网络，这是很自然的选择。文章还介绍了两个例子网络：一种我设计的残差网络，用于各种位移堆叠搜索，以及一种专门设计用于预测源亮度及其不确定性的卷积神经网络。在讨论文献和例子网络时，我还讨论了机器学习技术的各种潜在问题，包括过拟合的重要问题。我还讨论了与机器学习技术相关的各种陷阱以及在将机器学习应用于新问题时的最佳实践方法，包括创建稳健的训练集、验证和避免过拟合的训练方法。

    May, 2024