solar-magnetic-tornado
В репозитории опубликован код solar-magnetic-tornado — пайплайна для автоматического поиска солнечных магнитных торнадо на изображениях SDO/AIA 171 Å. Авторы рассматривают темные спиралевидные структуры у лимба Солнца, которые раньше в основном находили вручную по отдельным наблюдениям. Такой подход плохо подходит для статистики по солнечному циклу, поэтому в работе собраны обучающие данные по известным и дополнительно размеченным торнадо и предложены два нейросетевых метода детекции. Первый метод использует MobileNetV3 как feature extractor и recurrent-блок GRU или LSTM для классификации последовательностей из 20 кадров. Он учитывает временную динамику и видимое вращение структуры. Второй метод основан на YOLO 11 и работает с отдельными кадрами, зато сразу возвращает bounding boxes, координаты и оценку размера объекта. Лучшей моделью в первом подходе стала связка MobileNetV3 + GRU с AUC-ROC 0.945, recall 0.968 и precision 0.836 при пороге 0.5. YOLO хуже учитывает динамику, но удобен для массового поиска и пространственного анализа. На основе моделей авторы нашли 1 476 885 новых объектов и построили базу событий, пригодную для дальнейшей проверки и статистики. Работа будет полезна исследователям физики солнц, специалистам по автоматическому анализу астрономических изображений и командам, которые строят большие базы событий из потоковых наблюдений, где ручная разметка уже не масштабируется.
статья | код
В репозитории опубликован код solar-magnetic-tornado — пайплайна для автоматического поиска солнечных магнитных торнадо на изображениях SDO/AIA 171 Å. Авторы рассматривают темные спиралевидные структуры у лимба Солнца, которые раньше в основном находили вручную по отдельным наблюдениям. Такой подход плохо подходит для статистики по солнечному циклу, поэтому в работе собраны обучающие данные по известным и дополнительно размеченным торнадо и предложены два нейросетевых метода детекции. Первый метод использует MobileNetV3 как feature extractor и recurrent-блок GRU или LSTM для классификации последовательностей из 20 кадров. Он учитывает временную динамику и видимое вращение структуры. Второй метод основан на YOLO 11 и работает с отдельными кадрами, зато сразу возвращает bounding boxes, координаты и оценку размера объекта. Лучшей моделью в первом подходе стала связка MobileNetV3 + GRU с AUC-ROC 0.945, recall 0.968 и precision 0.836 при пороге 0.5. YOLO хуже учитывает динамику, но удобен для массового поиска и пространственного анализа. На основе моделей авторы нашли 1 476 885 новых объектов и построили базу событий, пригодную для дальнейшей проверки и статистики. Работа будет полезна исследователям физики солнц, специалистам по автоматическому анализу астрономических изображений и командам, которые строят большие базы событий из потоковых наблюдений, где ручная разметка уже не масштабируется.
статья | код