行星科学数据的特征提取和分类:机器学习的应用
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
火星勘测计划的主要目标之一是在该星球上寻找过去或现在的生命证据。为了实现这一目标,火星勘测一直关注可能存在液态或冰冻水的地区。本研究利用卷积神经网络检测火星表面的 "大脑珊瑚" 地形,该地形在形态和尺度上与地球上的排序石圈相似,暗示它可能是由于冻融周期形成的。我们使用约 100-1000 兆像素的火星勘测轨道器大图像以接近每像素几十厘米的分辨率(25-50 厘米)搜索这些地形。在搜寻了 52000 多张图像(约 28 TB,占火星表面的 5%)后,在 200 多张图像中发现了这些地形。为了加快处理速度,我们在分割之前利用傅里叶域中的分类器网络(利用离散余弦变换的系数块而不是解码整个图像)利用 JPEG 压缩。这种混合流程方法在保持约 93% 的准确性的同时,总处理时间比在每个图像上以全分辨率运行分割网络削减了约 95%。及时处理大数据集有助于指导任务操作、地质调查以优先考虑候选着陆点、避开危险区域或绘制特定地形的空间范围。分割遮罩和源代码已在 Github 上提供给社区进行探索和构建。
Nov, 2023
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
本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战,提出了一种新的级联多任务损失来保留语义分割边界。结果表明,不需要额外的后处理步骤,我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3%。
Sep, 2017
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
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
通过研究验证了深度神经网络在可见光谱单眼相机拍摄的太空图像中克服了限制和图像伪影,解决了模糊、曝光问题、对比度不足和噪声等问题,并证明其在太空相关图像的纠正方面具有潜力,值得进一步减少计算复杂性的研究。
Aug, 2023
本文采用卷积神经网络以及深度学习方法,通过对地球表面进行多尺度地理单元的细分,结合图像中的地标、天气模式、植被、道路标记和建筑细节等线索,利用海量地理标记图像进行分类,建立了一个名为 PlaNet 的模型,旨在通过照片图像实现定位识别,并结合长短时记忆神经网络,提高模型识别不确定图片的地理定位准确率。
Feb, 2016
本文研究了使用深度完全卷积神经网络(DFCNN)对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练,并研究了不同的准确语义分割方法。作者提出以下贡献:1)作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域;2)作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合;3)作者使用残差校正对异构传感器(光学和激光)的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。
Sep, 2016