Nov, 2023

基于深度学习的目标检测算法识别光变信号。II. 通用光变曲线分类框架

PDF
TL;DR利用弱监督目标检测模型，通过深度学习框架对光变曲线进行分类，自动提取时间域和频率域数据进行特征提取，以实现对不同尺度和采样间隔的数据处理，达到了 87% 的准确率，无需重新训练或微调，并结合适应性预测确保真实标签覆盖和异常检测算法识别外分布对象，为研究者提供了一个简化设计自定义分类器任务的通用框架。
astronomical photometric datadeep learning frameworklight curvesvariable starsobject detection model
发现论文，激发创造
  • 光度曲线的深度学习分类

    通过对光变曲线进行二维图像表示，并使用基于深度学习的卷积神经网络分类器进行分类，实现了对天体多样化的快速分类。

    Sep, 2017

  • 变星的深度多次观测分类

    本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

    Oct, 2018

  • 深度学习与基于 LLM 的方法应用于恒星光变曲线分类

    利用机器学习深度学习技术，本研究评估了基于深度学习和大型语言模型的自动分类变星光变曲线模型的性能，并在天文学应用中展示了高准确率和多模态模型的发展。

    Apr, 2024

  • 可扩展的端到端循环神经网络用于变星分类

    本文提出了一种基于深度学习的、端到端的自动变星分类算法，通过将光变曲线转化成矩阵表示来学习特征并实现自动分类，取得了与随机森林分类器相当的准确率，但计算速度更快、可扩展性更强。

    Feb, 2020

  • 宽视场小口径望远镜中深度神经网络探测和分类天文目标

    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

  • 利用机器学习在全景调查成像中进行探索

    本文利用机器学习算法在时间域巡天数据中搜索天体物理学方面的发现，并提供了每个新观测源是可靠变亮源的概率性声明。通过 Palomar 暂现工厂的验证集，证明了该算法的性能好，并且不易受到训练数据错标签的影响。

    Sep, 2012

  • 一个用于自动分类周期变量星的软件包

    使用机器学习技术对光学光变曲线进行分类，并将其分为 Delta Scuti、RR Lyrae、Cepheid、Type II Cepheid、eclipsing binary、long-period variable、non-variable 等七大类及其子类，分类准确率最高可达 0.98。

    Dec, 2015

  • 利用稀疏嘈杂的时间序列数据进行机器学习分类变量星

    本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。

    Jan, 2011

  • 用 DistClassiPy 进行光谱分类：一种新的基于距离的分类器

    利用距离度量方法进行时间域天文分类的研究，开发了一种名为 DistClassiPy 的新的基于距离度量的分类器，该分类器在提高分类结果的可解释性和降低计算成本方面表现出色。

    Mar, 2024

  • Avocado: 借助高斯过程增强光度分类天文新现象

    采用高斯过程回归对～LSST~ 发现的新天文现象的光变曲线进行预测，利用增强型决策树分类器实现光度学分类，降低了光谱训练集偏差对分类器的影响。

    Jul, 2019