Jun, 2024

XAMI -- XMM-Newton 光学图像中的伪像检测基准数据集

PDF
TL;DR通过手动标注的 1000 张来自 XMM-Newton 空间望远镜光学监视相机的图像，我们提供了一个包含不同类型伪影的数据集，并使用该数据集来训练自动化机器学习方法，进一步展示了用于准确检测和遮蔽伪影的技术。我们采用卷积神经网络（CNNs）和基于转换器的模型的混合方法，在分割中利用它们的优势。通过提供可重现的基准线，所提出的方法和数据集将推动天文观测中的伪影检测。所有代码和数据都可供使用。
artefactsautomated detectionmachine learning methodsastronomical observationsdataset
发现论文，激发创造
  • 自动机器学习的天文图像质量评估

    电子辅助天文学通过将数码相机与望远镜耦合捕捉深空图像，显示通过直接观察无法看到的天文对象。我们展示了图像质量评估在自动评级天文图像方面的应用，并利用自动化机器学习开发了专用模型。

    Nov, 2023

  • SDSS 瞬变巡天图像的机器学习分类

    通过基于 PCA 的机器学习算法对短暂成像数据进行分类，可以实现 96% 的完整度和 84% 的准确度，并且在未来的天文调查中将大力发展完全机器化的解决方案。

    Jul, 2014

  • 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

  • 使用 k 空间数据增强和课程学习自动检测心脏 MR 运动伪影的基于 CNN 的方法

    本研究提出了基于深度学习的方法，通过数据增强技术和学习曲线，自动检测心脏磁共振心动图像（CMR）中与运动相关的伪影，该方法在 UK Biobank 数据集上取得了 0.89 ROC 曲线下区域的高分类性能

    Oct, 2018

  • 基于深度神经网络的宽视场小口径望远镜光度学与星表定位框架

    本文扩展了基于深度神经网络的天文目标检测算法的能力以适用于光度学和星位学，并提出了使用迁移学习策略来训练神经网络的方法以减少算法中的认知不确定性。 该算法可在 0.125 秒内处理一幅图像并以高精度获得天体对象的类型，位置和大小，可用于增强 WFSATs 的响应速度和检测能力以便探测域内天文事件。

    Jun, 2021

  • 开放超新星目录异常检测

    本文使用机器学习算法对开放超新星目录的光度数据进行自动异常检测，并通过管道流程识别 33％的异常天体，其中包括超亮超新星，非经典 Ia 型超新星，不寻常的 II 型超新星，一个活动星系核和一个二进制微引力透镜事件等等。

    May, 2019

  • 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

  • XIMAGENET-12：一个可解释的 AI 基准数据集用于模型鲁棒性评估

    为了解决标准化鲁棒性评估指标缺乏和过多无关基准数据集的问题，我们引入了 XIMAGENET-12，一个可解释的基准数据集，包含 20 万多张图像和 15,600 个手动语义注释。同时，我们提出了一个新的鲁棒性评估标准，超越了模型生成能力的评估。研究人员和从业者可以利用这个资源，在具有挑战性的条件下评估他们的视觉模型的鲁棒性，并从实际的计算机视觉系统需求中受益。

    Oct, 2023

  • 数据燃起：天文成像中的扩散增强方法

    天文学和人工智能的交叉领域面临着诸多挑战，本研究提出了一种名为 FLARE 的两阶段增强框架，通过特征学习和增强分辨率的方法，在图像分类中取得了显著性能提升。

    May, 2024

  • 使用人工和机器综合分类的短暂搜索

    该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

    Jul, 2017