Deep machine learning for meteor monitoring: advances with transfer learning and gradient-weighted class activation mapping

要約

ここ数十年で、流星研究のための光学検出システムの使用が劇的に増加し、その結果、膨大な量のデータが分析されるようになりました。
自動流星検出ツールは、流星が継続的に流入するフラックスを研究し、新鮮な隕石を回収し、太陽系をより深く理解するために不可欠です。
流星の検出に関しては、流星画像と流星以外の画像の誤検知を区別するのは従来手作業で行われており、非常に時間がかかりました。
この問題に対処するために、畳み込みニューラル ネットワーク (CNN) を使用して流星検出候補を分類する完全に自動化されたパイプラインを開発しました。
私たちの新しい方法では、雲、月、建物などの静的な要素が含まれる画像でも流星を検出できます。
各フレーム内で流星の位置を正確に特定するために、勾配加重クラス アクティベーション マッピング (Grad-CAM) 技術を採用しています。
この方法では、最後の畳み込み層からの活性化とその層の特徴マップ全体にわたる勾配の平均を乗算することにより、対象領域の識別が容易になります。
これらの発見を最初の畳み込み層から得られた活性化マップと組み合わせることで、流星の最も可能性の高いピクセル位置を効果的に特定します。
私たちは、Spanish Meteor Network (SPMN) によって収集された大規模なデータセットに基づいてモデルをトレーニングおよび評価し、98\% の精度を達成しました。
ここで紹介する私たちの新しい方法論は、流星科学者や観測所のオペレーターの作業負荷を軽減し、流星の追跡と分類の精度を向上させる可能性があります。

要約(オリジナル)

In recent decades, the use of optical detection systems for meteor studies has increased dramatically, resulting in huge amounts of data being analyzed. Automated meteor detection tools are essential for studying the continuous meteoroid incoming flux, recovering fresh meteorites, and achieving a better understanding of our Solar System. Concerning meteor detection, distinguishing false positives between meteor and non-meteor images has traditionally been performed by hand, which is significantly time-consuming. To address this issue, we developed a fully automated pipeline that uses Convolutional Neural Networks (CNNs) to classify candidate meteor detections. Our new method is able to detect meteors even in images that contain static elements such as clouds, the Moon, and buildings. To accurately locate the meteor within each frame, we employ the Gradient-weighted Class Activation Mapping (Grad-CAM) technique. This method facilitates the identification of the region of interest by multiplying the activations from the last convolutional layer with the average of the gradients across the feature map of that layer. By combining these findings with the activation map derived from the first convolutional layer, we effectively pinpoint the most probable pixel location of the meteor. We trained and evaluated our model on a large dataset collected by the Spanish Meteor Network (SPMN) and achieved a precision of 98\%. Our new methodology presented here has the potential to reduce the workload of meteor scientists and station operators and improve the accuracy of meteor tracking and classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google