Tess
PulseAugur coverage of Tess — every cluster mentioning Tess across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的基于Transformer的机器学习模型识别TESS数据中的微引力透镜事件
研究人员开发了Microlensify，这是一种基于Transformer架构的新型机器学习分类器，旨在利用凌日系外行星巡天（TESS）卫星的数据识别微引力透镜事件。该模型在模拟和真实的TESS数据上进行训练，能够高精度地分类事件、重建光变曲线并估算事件持续时间。当应用于数百万条TESS光变曲线时，Microlensify识别出其中一小部分作为潜在的微引力透镜候选体，并将其与变星和行星穿越等各种误报区分开来。该模型在地面巡天事件上的有…
-
NASA的Roman太空望远镜将于8月30日发射，比原计划提前九个月
美国宇航局（NASA）的Nancy Grace Roman太空望远镜定于8月30日发射，比原定计划提前约九个月。这座以NASA首位首席天文学家命名的天文台，旨在绘制数十亿个星系的地图，并发现多达10万颗系外行星，包括流浪行星。该望远镜将利用比哈勃望远镜大得多的广阔视野，来研究暗能量、暗物质和其他宇宙现象。
-
AI加速系外行星发现，识别出超过10,000个新候选者
普林斯顿大学的Joshua Roth领导的天文学家利用先进的AI工具发现了超过10,000个新的系外行星候选者。这项重大发现，详细刊载于论文“T16行星搜寻：来自TESS周期1的10,000个新行星候选者”，是通过AI算法实现的，该算法快速处理了来自TESS卫星的数百万条光变曲线。发现的候选者包括众多热木星、海王星大小的行星以及少量可能的超级地球，将行星发现过程加速了约3.5年。
-
新的深度学习模型提高了语音情感识别的准确性和可解释性
研究人员开发了用于语音情感识别（SER）的新深度学习技术，该领域对于推进人机交互至关重要。一项研究介绍了一种混合DCRF-BiLSTM模型，该模型在多个数据集上均取得了高准确率，包括对五个组合数据集的全新综合评估。另一篇论文提出了一种可解释且轻量级的紧凑型卷积神经网络，该网络通过Grad-CAM可视化有影响力的区域，平衡了识别性能与透明度和效率。
-
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。