Apr, 2024

基于实时卷积神经网络的立方卫星星辨识与中心定位方法

PDF
TL;DR使用卷积神经网络（CNN）的星空追踪器算法，通过模拟星像覆盖真实噪声和杂光，并结合像素坐标信息进行质心计算，解决高噪声和杂光干扰下的星点检测与定位问题，具有较高准确性和优秀的抗干扰能力。此外，该算法可在低功耗边缘 AI 处理器上实时执行。
star trackerscentroidingconvolutional neural networksensor noisestray light
发现论文，激发创造
  • StarNet：针对点云目标检测的定向计算

    本文提出了一个名为 StarNet 的基于点云的物体检测系统，利用了点云数据稀疏和三维特征的优点，采用采样策略和数据依赖的 anchors，相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时，该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明，StarNet 相比于传统卷积基线具有更好的检测表现，并且可以在不重新训练的情况下根据需求灵活控制计算成本。

    Aug, 2019

  • 事件相机星轨追踪

    本文提出使用事件传感器进行星点跟踪，提出了一种算法流程，包括旋转平均和捆绑调整。同时，还发布了一个使用事件相机进行星点跟踪的数据集，此方法引入了星点跟踪问题并将计算机视觉领域的专业知识运用于商业应用中。

    Dec, 2018

  • 多分辨率渐进式 Hough 变换的基于事件的星跟踪

    本文提出了一种基于事件处理的星敏感器处理方法，通过多分辨率霍夫变换和旋转平均优化技术，能够在异步环境下使用标准硬件快速、准确地跟踪恒星方向。

    Jun, 2019

  • 使用深度卷积神经网络进行星系分类

    本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

    Aug, 2016

  • 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

  • 使用 ImageStars 验证深度卷积神经网络

    本文介绍了一种基于 ImageStar 的较为高效的 CNN 集合表示方法，实现了对 Real-Word CNNs 鲁棒性的验证，相比现有方法如 DeepZ 和 DeepPoly，需要的输入状态较少、速度更快。

    Apr, 2020

  • 一种优化星 - 星系分类的新型基于行业的算法

    引入了一种新的基于区块的恒星 - 星系分类方法，利用最新的 Sloan Digital Sky Survey 数据（SDSS-DR18），通过将天空按照 SDSS 观测模式进行分段，并使用专用的卷积神经网络（CNN），实现了恒星 - 星系分类的最新性能，初步结果证明了在实时观测环境下进行高效精确的天文分析的前景。

    Apr, 2024

  • 星形凸多边形细胞检测

    本文研究了利用卷积神经网络实现细胞和细胞核在显微镜图像中的自动检测和分割，并结合星形多边形对细胞核进行定位，避免边界交叉和形状的偏差带来的分割错误的影响。研究结果表明该方法在合成数据集和荧光显微镜图像分割上有很好的效果。

    Jun, 2018

  • 基于深度学习的 CSST 天体分类研究

    利用深度学习方法研究中国空间站天文望远镜（CSST）的星系和星云 / 星团（NSC）图像识别，构建了本地天体图像数据集并设计了一种名为 HR-CelestialNet 的深度学习模型，其在测试集上达到了 89.09% 的准确率，并且在速度上表现出色，具有鲁棒性并能够实现 CSST 巡天任务期间的实时识别。

    Dec, 2023

  • 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