数据燃起:天文成像中的扩散增强方法
使用基于注意力机制的深度学习模型,通过分析全盘磁图像来预测太阳耀斑的发生,实验结果表明该模型能够成功预测接近边缘的太阳耀斑,并且基于相关活跃区的特征。
Sep, 2023
通过合成先验引导的 Flare7K * 数据集,该研究提出了一种自适应聚焦模块(AFM),可在处理多个散射耀斑时适应性遮罩清晰区域,实验表明该数据合成方法能更好地模拟真实场景并取得了最先进的性能。
Mar, 2024
利用生成深度学习模型 DDPM 合成太阳现象的图像,以解决太阳活动预测的数据稀缺问题,并展示了在生成逼真太阳图像方面的有希望的结果,强调 DDPM 在太阳数据分析和预测方面的潜力,以及在其他深度学习和物理任务中的应用探索。
Apr, 2024
通过集成扩散模型,我们提出了一种新的四阶段方法来改善数据扩增的多样性,通过使用元提示生成指令,运用通用视觉 - 语言模型生成丰富的标题,微调地球观测扩散模型,并迭代地进行数据扩增,从而提高地球观测影像的语义丰富性和多样性。
Jun, 2024
本文提出了一种自动检测和分类星系的方法,并使用新型数据增强程序来使训练模型更加健壮,以适应来自不同仪器和对比度拉伸函数的数据。该方法是 AstroCV 的一部分, AstroCV 是一个开源的计算机视觉库,用于处理和分析大型天文数据集,包括高性能的 Python 和 C++ 算法,它利用卷积神经网络和深度学习技术训练模型,提供的结果优于基于手动特征工程和 SVM 的方法。
Sep, 2018
通过利用活跃区域(AR)补丁的基于形状的磁图特征,我们引入了一种新颖的方法,并提供了一种针对整个太阳盘上的太阳耀斑进行预测的新能力(太阳经度范围从 - 90° 到 + 90° 的 AR 补丁)。我们创建了三个深度学习模型:(i) ResNet34,(ii) MobileNet 和 (iii) MobileViT,以预测≥M 级耀斑,并评估这些模型在不同太阳经度范围内的效果。在模型训练阶段,考虑到数据的固有不平衡性,我们采用了数据增强技术和欠采样,并在测试数据中保持不平衡的分区以进行真实评估。我们使用复合技能分数(CSS)作为评估指标,计算真实技能分数(TSS)和 Heidke 技能分数(HSS)的几何均值,以对模型进行排名和比较。本研究的主要贡献如下:(i) 我们引入了一种太阳耀斑预测的新能力,可以预测整个太阳盘上每个 AR 的耀斑,并进行评估和比较其性能,(ii) 我们的候选模型 (MobileNet) 在太阳经度范围分别为 ±30°、±60°、±90° 的 AR 补丁上实现了 CSS=0.51(TSS=0.60 和 HSS=0.44)、CSS=0.51(TSS=0.59 和 HSS=0.44)和 CSS=0.48(TSS=0.56 和 HSS=0.40)。此外,我们展示了在近半球区域(太阳经度范围从 ±60° 到 ±90° 之间)发出 AR 耀斑预报的能力,CSS=0.39(TSS=0.48 和 HSS=0.32),扩大了基于 AR 的太阳耀斑预测模型的范围。这一进展为更可靠的太阳耀斑预测打开了新的途径,从而提高了预测能力。
Jun, 2024
本文提出了一种基于扩散模型的飞行器低光图像增强方法,通过一种数据集收集方案和自动化的物理模拟生成器来对数据进行预处理。我们的方法在图像亮度增强方面表现更好,在图像质量方面与以前的方法相当。
Jun, 2023
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
为了扩充现有的数据集并解决类别失衡的问题,我们提出了名为 RADiff 的条件扩散模型生成方法,用来生成包含不同形态的射电源的合成图像,同时还展示了我们训练深度学习模型并在数据集上实现语义分割任务的有效性。
Jul, 2023
使用监督机器学习建立了一个标准化分类太阳耀斑的过程,并发现了 C-Support Vector Machine (SVC) 算法在分类太阳耀斑中的出色表现。该模型具有较高的分类准确度,在检测和分类太阳耀斑方面表现出了很强的适应性和准确性。未来的工作可以集中于提高分类准确度、研究其他模型的实用性以及通过增加更多的数据集来扩展该框架的应用。
Jun, 2024