Tess
PulseAugur coverage of Tess — every cluster mentioning Tess across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
NASA的TESS在一个系统中发现两颗罕见的“棉花糖”行星
NASA的TESS航天器在一个恒星系统中识别出两颗密度极低的行星，被描述为“棉花糖”世界。这两颗行星TOI-791 b和TOI-791 c，大小与木星相当，但质量仅为其一小部分，这使得它们成为极其罕见的发现。这项由牛津大学的George Dansfield领导的发现，利用TESS数据分析了它们不同寻常的轨道和相互引力影响，为研究大质量行星的形成和演化提供了宝贵的见解。
-
AI模型EXOVEIL通过恒星行为探测系外行星
研究人员开发了EXOVEIL，一个利用基于Transformer的世界模型通过开普勒光变曲线训练来探测系外行星的新系统。该系统学习恒星的正常行为，并识别出表明凌星的偏差，即使是单次凌星事件。EXOVEIL在现有数据集上表现强劲，并显示出对TESS等新任务具有零样本迁移能力的潜力，接近类地行星的探测极限。
-
深度学习W-Net在TESS数据中检测小行星
研究人员开发了一种名为W-Net的新型深度学习方法，该方法利用两个堆叠的3D U-Net来检测TESS图像数据中的小行星。与传统的移位和堆叠算法不同，这种方法对小行星的速度和方向变化具有鲁棒性，并包含一种新颖的自适应归一化技术用于数据缩放。该团队还发布了用于生成带有小行星掩码的TESS训练数据的代码，以帮助科学界，并可能应用于未来的任务，如Nancy Grace Roman Space Telescope。
-
深度学习从短期天文观测中推断恒星参数
研究人员开发了一种深度学习方法，可以从短期天文观测中推断星震学参数。该模型旨在高效分析TESS等任务的数据，TESS已观测了数十万颗红巨星。该研究证明了机器学习算法能够从为期一个月的TESS和K2观测数据中准确推断出关键参数，如大频率分离和最大功率频率，尽管不同数据集的成功率各不相同。
-
LSTM模型在语音情感识别中达到99%的准确率
研究人员开发了一种新颖的语音情感识别系统，利用梅尔频率倒谱系数（MFCC）进行特征提取，并使用长短期记忆（LSTM）神经网络进行分类。该方法在准确率上达到了99%，优于准确率为98%的支持向量机基线。该系统在虚拟助手和心理健康监测等应用方面显示出潜力。